IV.1Ритейл, электронная коммерция и fashion-tech

InternVL2_5-2B — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель internlm/internlm2_5-1_8b-chat; общая конфигурация содержит около 2 млрд параметров. В репозитории доступны веса safetensors, для работы предусмотрена библиотека Transformers, лицензия — MIT. Модель принимает текст вместе с одним или несколькими изображениями и может обрабатывать кадры видео, формируя текстовые ответы. Динамическое разбиение изображений на фрагменты 448×448 помогает работать с высоким разрешением; поддерживаются многокартинные запросы. Семейство рассчитано на мультиязычные сценарии, включая OCR и математические диаграммы. Карточка описывает улучшения обучения и качества данных, но не задаёт исчерпывающего списка языков и ограничений точности; обработка видео описана через кадры.

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.

Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

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.

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.

BROS (BERT Relying On Spatiality) — предобученная модель команды NAVER CLOVA, разработанная для извлечения ключевой информации из документов с учетом текста и его расположения. Она принимает результаты OCR в виде пар «текст и ограничивающая рамка» и формирует признаки для последующих задач анализа документов, например извлечения упорядоченного списка товаров из чека. Модель построена на архитектуре BROS и предназначена для документов, где важны одновременно содержание текста и пространственная структура страницы. Репозиторий содержит вариант bros-base-uncased с 136,7 млн параметров, контекстом до 512 токенов и весами PyTorch. В README также упоминается более крупный вариант BROS, но этот репозиторий содержит базовую модель. Модель рассчитана на извлечение информации из документов после OCR; она не принимает изображение документа напрямую. README не указывает конкретные языки или лицензию, поэтому их нельзя определить по имеющимся данным.

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.

unsloth/LFM2.5-VL-3B-GGUF — это квантизированный вариант мультимодальной модели LFM2.5-VL-3B, разработанной Liquid AI и опубликованной сообществом Unsloth. Модель предназначена для обработки текста и изображений, прежде всего на устройствах с ограниченными ресурсами и для сценариев с низкой задержкой. GGUF-экспорты оптимизированы для запуска на CPU с уменьшенным потреблением памяти через llama.cpp. В основе модели находится языковая модель LFM2.5-2.6B, дополненная vision-энкодером SigLIP2 NaFlex объёмом 400M параметров. Размер словаря составляет 128 000 токенов, длина контекста — до 32 768 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, испанский, вьетнамский, тайский, индонезийский, хинди, русский и польский языки. Обработка изображений использует разбиение крупных изображений на неперекрывающиеся патчи 512×512 и уменьшенную копию всего изображения. Сильные стороны модели — распознавание объектов по текстовым запросам, улучшенный visual grounding, OCR целых страниц с разметкой структуры документа, а также высокая скорость и эффективность инференса. Она подходит для обнаружения объектов в автомобильных системах, пакетной обработки сканов и PDF, извлечения текста с сохранением layout, перевода меню и дорожных знаков, а также других однопроходных задач реального времени. Модель не рекомендуется для сложного рассуждения, длительных контекстов, визуального веб-дизайна и ответов на узкоспециализированные технические вопросы по чертежам. Лицензия указана как lfm1.0; подробные условия следует проверять в файле LICENSE репозитория.

Ovis2-2B — компактная мультимодальная языковая модель семейства Ovis, предназначенная для работы с изображениями и текстом. Визуальный компонент построен на aimv2-large-patch14-448, языковая часть — на Qwen2.5-1.5B-Instruct. Модель использует архитектуру Ovis для структурного согласования визуальных и текстовых представлений; её разработчики улучшили обучение и подбор данных по сравнению с Ovis1.6. Модель отвечает на вопросы по изображениям, распознаёт текст на них, извлекает структурированные сведения из таблиц и графиков, а также обрабатывает несколько изображений и видео. Обучение включало данные на нескольких языках, в том числе для развития мультиязычного OCR, и было направлено на улучшение рассуждений. Карточка демонстрирует результаты на тестах понимания изображений и видео, но не приводит длину контекста. Для запуска в README приведён пример использования Transformers. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что не гарантируют полного отсутствия проблемного контента или нарушений авторских прав; также рекомендуется рассмотреть более новую версию Ovis2.5.

rainjay/sbert_nlp_corom_sentence-embedding_chinese-base-ecom — модель на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не уточняет, на каких данных обучалась модель и какие языки она поддерживает, поэтому область применения по языку определить нельзя. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-amazon_reviews-k5-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2 на парах текстов с оценками сходства. Она преобразует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска похожих текстов и извлечения признаков. Архитектура включает BERT с двумя слоями, mean pooling и сравнение векторов по косинусному сходству; модель принимает текст, поддерживает последовательности до 128 токенов по README и имеет контекстное окно до 512 токенов по метаданным. В карточке показаны примеры англоязычных отзывов Amazon, поэтому прежде всего модель подходит для поиска и сравнения англоязычных отзывов. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Модель HasanALhomsi/layoutlmv3-cord-invoice — дообученная версия microsoft/layoutlmv3-base для извлечения полей из чеков с помощью классификации токенов. Она использует текст, координаты слов и изображение документа, чтобы относить слова к полям вроде названия товара, цены, количества, налога, скидки, итога и способа оплаты. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и предназначена для обработки чеков в конвейерах распознавания и структурирования документов. Лицензия — CC BY 4.0. Модель обучена на 800 индонезийских чеках из набора CORD и использует 54 BIO-метки. Она требует заранее распознанных слов и рамок их расположения: встроенного OCR нет. Качество зависит от точности OCR, а обобщение на другие языки, макеты, счета, договоры и формы может быть ограниченным без дополнительного дообучения.

Ovis2-4B — мультимодальная модель семейства Ovis от разработчиков Ovis. Она объединяет визуальный энкодер aimv2-huge-patch14-448 с языковой моделью Qwen2.5-3B-Instruct; архитектура модели — плотная, класс Ovis. Модель принимает изображения и текст, а также обучалась на видео и наборах нескольких изображений, чтобы отвечать на вопросы о визуальных данных и рассуждать по их содержимому. Модель предназначена для диалоговых сценариев: описания изображений, распознавания текста и извлечения структурированных сведений из таблиц и диаграмм, а также анализа нескольких изображений и видео. В карточке заявлены улучшенное пошаговое рассуждение и многоязычный OCR; метаданные указывают английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2.5.

kaiz0603/qwen3remote-2B — дообученная разработчиком kaiz0603 мультимодальная модель на архитектуре Qwen3-VL с 2 млрд параметров, созданная на базе unsloth/Qwen3-VL-2B-Instruct. Она принимает текст и изображения и предназначена для диалогов и ответов на вопросы по визуальному содержимому; базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение. Модель дообучена с использованием Unsloth и библиотеки Hugging Face TRL, веса представлены в формате safetensors. Лицензия — Apache-2.0.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

Donut base — модель для разбора изображений документов, дообученная командой Donut на наборе данных CORD. Она построена по архитектуре vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер на основе BART генерирует текст. Модель предназначена для извлечения структурированной информации из изображений чеков и других документов, похожих на примеры из CORD. В отличие от OCR-конвейера, требующего отдельного распознавания текста, модель напрямую преобразует изображение документа в текстовое представление. Репозиторий содержит веса PyTorch; лицензия — MIT. Настройка на CORD ограничивает надёжность на типах документов и форматах, отличающихся от обучающих данных.

NuExtract-tiny — компактная языковая модель NuMind для извлечения структурированной информации из текста. Она основана на Qwen1.5-0.5B и дообучена на частном высококачественном синтетическом наборе данных. Модель принимает текст и JSON-шаблон с полями, которые нужно извлечь, и генерирует результат в заданной структуре. Архитектура — плотная Qwen2ForCausalLM; модель содержит 463,9 млн параметров, использует формат safetensors и имеет контекстное окно 32 768 токенов по метаданным. В README для извлечения рекомендуется передавать текст длиной менее 2 000 токенов. Модель рассчитана на извлечение фактов, сущностей и других заданных полей без перефразирования: согласно карточке, весь её текстовый вывод должен присутствовать в исходном тексте. Она показывает хорошие результаты без примеров, однако разработчик рекомендует дообучать её под конкретную задачу как минимум на 30 примерах. Карточка отмечает, что версия устарела. Лицензия — MIT.

Это дообученная версия мультимодального Transformer LayoutLMv3-base от Microsoft, созданная nielsr на наборе документов CORD для разметки токенов в документах. Модель принимает текст вместе с изображением документа и его структурными координатами, а затем присваивает токенам метки, помогая извлекать и классифицировать поля в чеках. В оценке на CORD указаны F1 0,9638, точность 0,9620, полнота 0,9656 и accuracy 0,9682. Модель содержит 151,8 млн параметров; контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Карточка модели indigoskyai/Molmo-72B-0924 на Hugging Face совпадает с карточкой allenai/Molmo-72B-0924, поэтому описание составлено по ней. Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений. Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки. Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

nielsr/donut-base-finetuned-cord-v2 — модель Donut, разработанная командой NAVER CLOVA и опубликованная в экосистеме Hugging Face. Это vision-encoder-decoder для понимания документов без отдельного OCR-модуля: Swin Transformer кодирует изображение, а текстовый декодер BART авторегрессионно генерирует структурированный текст. Модель дообучена на наборе данных CORD и предназначена прежде всего для разбора изображений чеков и извлечения из них текстовых полей и структуры. В метаданных указаны архитектура vision-encoder-decoder, задача image-text-to-text, библиотека Transformers и размер около 0,2 млрд параметров; конфигурация Donut задаёт входной размер 1280×960 и максимальную длину генерации 768 токенов. Поддержка естественных языков в метаданных не указана. Для официальной карточки соответствующей модели Donut указана лицензия MIT.

Мультимодальная модель carbonteq на архитектуре Gemma 4 E4B, дообученная на базе unsloth/gemma-4-E4B-it. Репозиторий содержит веса в формате Safetensors; модель предназначена для диалогового взаимодействия и генерации ответов на текстовые запросы с учётом изображений. Модель подходит для вопросов по изображениям и документам, а также для других сценариев общения с визуальным вводом. Карточка указывает, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.

InternVL2_5-8B-MPO — мультимодальная диалоговая модель OpenGVLab на основе InternVL2.5-8B, дообученная с использованием Mixed Preference Optimization. Архитектура сохраняет схему ViT-MLP-LLM: визуальный компонент InternViT объединён с языковой моделью через MLP-проектор. Для изображений применяется динамическое разбиение на фрагменты 448×448 и сокращение числа визуальных токенов; модель также поддерживает несколько изображений и видео в запросе. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, анализа диаграмм и решения задач по визуальному содержимому. В README приведены результаты сравнений на мультимодальных тестах, включая OCRBench, MathVista и MMBench. Репозиторий содержит веса safetensors и рассчитан на запуск через Transformers; для инференса приведён пример с bf16/fp16. Лицензия — MIT. Это дообученная версия InternVL2.5-8B, поэтому её возможности и ограничения во многом связаны с базовой мультимодальной моделью. README не сообщает длину контекста и конкретный перечень поддерживаемых языков; метаданные характеризуют модель как мультиязычную.

LLaVA-Llama-3-8B-v1.1 — разработанная XTuner мультимодальная модель для диалога по изображениям. Она дообучена на основе meta-llama/Meta-Llama-3-8B-Instruct с визуальным энкодером CLIP-ViT-Large-patch14-336; использует проектор MLP и обучалась на ShareGPT4V-PT и InternVL-SFT. Модель содержит 7,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текстовые ответы. Контекст составляет 8192 токена. Модель предназначена для описания изображений, ответов на вопросы о визуальном содержимом и диалоговых сценариев, сочетающих текст и изображение. В README приведены результаты на наборах оценки визуально-языковых моделей, включая MMBench, AI2D, TextVQA и MMMU. Репозиторий содержит веса в формате safetensors и использует формат XTuner LLaVA. Условия лицензии в предоставленных материалах не описаны.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная Haotian Liu, Chunyuan Li, Yuheng Li, Bo Li, Yuanhan Zhang, Sheng Shen и Yong Jae Lee. Она объединяет языковую модель Vicuna-13B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. По сравнению с LLaVA-1.5 в ней используются динамическое высокое разрешение и более разнообразные данные визуальной настройки инструкций; заявленные сценарии включают описание изображений, визуальные вопросы и ответы, распознавание текста на изображениях и мультимодальный чат. Репозиторий содержит веса в формате Safetensors. Лицензия указана как Llama 2. Возможные ограничения включают ошибки в распознавании деталей изображения и текста, а также неточности в ответах; отдельные количественные оценки качества в карточке не приведены.

Q-ReAlign-Mini-0.8B — компактная мультимодальная модель оценки качества изображений и видео, разработанная проектом Q-ReAlign на основе Qwen3.5-VL. Это плотная vision-language-модель с архитектурой Qwen3_5ForConditionalGeneration, гибридным текстовым блоком с линейным и полным вниманием и визуальным энкодером в стиле SigLIP. Модель дообучена полным SFT в bf16; размер — 0,8 млрд параметров. Модель оценивает воспринимаемое качество изображений и эстетическую привлекательность, а также качество видео по последовательности кадров. Она распределяет вероятность между категориями excellent, good, fair, poor и bad, затем сводит её к числу от 0 до 1, где большее значение означает лучшее качество. Это подходит для пакетной оценки и ранжирования медиа, отбора данных и получения сигналов вознаграждения в генеративных системах. README сообщает о результатах на семи наборах оценки качества и высокой скорости вывода, в том числе 26,7 изображения в секунду на RTX 4090 при размере пакета 4. Оценки отражают восприятие, обусловленное обучающими данными, поэтому абсолютные значения лучше интерпретировать относительно друг друга; перед объединением с другими шкалами рекомендуется калибровка. Модель не предназначена для модерации безопасности, проверки фактов и личности, медицинской или судебной оценки. Лицензия — Apache-2.0.

VDC-Agent-7B — мультимодальная модель для создания подробных описаний видео, представленная вместе со статьёй ECCV 2026. Она дообучена на Qwen2.5-VL-7B-Instruct с использованием набора предпочтений VDC-Agent-19K, включающего около 19 тысяч пар для обучения подробному описанию видео. Модель принимает видео и формирует текстовые подписи, уделяя внимание деталям содержания. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и формат safetensors. Контекстное окно составляет 128 000 токенов. В метаданных указан английский язык. Лицензия — CC BY-SA 4.0.

swardiantara/bert-tiny-yelp-k3-adaptive-cosine — компактная модель Sentence Transformers, дообученная на парах текстов из Yelp на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128, сравниваемые по косинусному сходству; подходит для поиска и сопоставления текстов. Архитектура включает BERT с усреднённым pooling. В метаданных указано 4,4 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для текстовых сценариев семантического поиска и извлечения признаков, в частности для поиска отзывов, похожих на запрос или другой отзыв. Базовая модель англоязычная, а приведённые в README примеры обучающих данных — отзывы Yelp на английском языке. Лицензия в предоставленных данных не указана.

Gemma 4 E4B UNESCO Resilient AI Optimized — частная оптимизированная версия модели Gemma 4 E4B, предназначенная для задач преобразования изображений в текст. В карточке указаны оценка качества 0,983, среднее время отклика 0,2417 и средний расход оперативной памяти 2,63 ГБ; методика измерений не описана. Модель заявлена как разработанная с использованием фреймворка H2E и стандартов развертывания SOMALA для суверенных систем. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; метаданные указывают поддержку английского языка и лицензию Gemma. Описание не раскрывает контекстные ограничения и подробные сценарии применения.

llava-llama-3-8b-v1_1-hf — мультимодальная модель XTuner на архитектуре LLaVA-Llama-3, дообученная на основе Meta-Llama-3-8B-Instruct и визуального энкодера CLIP-ViT-Large-patch14-336. В модели около 7,5 млрд параметров; она принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Контекст составляет до 8192 токенов. Модель предназначена для вопросов об изображениях, визуального анализа и ответов по содержимому картинок. В README приведены результаты на бенчмарках для понимания изображений, диаграмм, научных задач и распознавания текста на изображениях. Для версии v1.1 использованы ShareGPT4V-PT и InternVL-SFT; модель опубликована в официальном формате LLaVA и хранится в safetensors. Лицензия в предоставленных данных не указана.