IV.1Ритейл, электронная коммерция и fashion-tech

TabPFN-2.6 — трансформерная модель Prior Labs для классификации и регрессии структурированных табличных данных. Она использует обучение в контексте и выполняет предсказание за один прямой проход; архитектура включает 24 слоя с чередованием типов внимания, близким к TabPFN v2. Модель обучена исключительно на синтетических табличных задачах. Модель предназначена для задач с наборами до 50 000 строк и 2 000 признаков. В карточке указаны сценарии в химии, биологии, финансах, праве, климате и медицине. Она не предназначена для неструктурированных текстовых или визуальных данных; качество на наборах, превышающих указанные размеры, не проверено и может снижаться. Веса доступны по лицензии tabpfn-2.6-license-v1.0, которая разрешает исследования, тестирование, оценку и внутренний бенчмаркинг, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для производственных сценариев Prior Labs предлагает отдельную коммерческую лицензию.

TrOCR base-printed — модель оптического распознавания текста Microsoft, основанная на архитектуре encoder-decoder Transformer. Зрительный энкодер инициализирован весами BEiT, текстовый декодер — весами RoBERTa; модель дообучена на наборе SROIE. Модель предназначена для распознавания текста на изображениях отдельных строк, в том числе для сценариев OCR документов и чеков. Она разбивает изображение на патчи 16×16, кодирует их визуальным Transformer и авторегрессионно генерирует текст токенами. В карточке не приведены сведения о поддерживаемых языках и лицензии. Модель ориентирована на изображения отдельных строк, поэтому может быть неподходящей для распознавания сложной страницы целиком без предварительной обработки.

HawkVL-2B — компактная мультимодальная модель серии HawkVL, построенная на языковой модели Qwen2.5-1.5B. Архитектура включает визуальный энкодер Qwen-ViT, проектор на основе двухслойного MLP с pixel unshuffle и языковую часть Qwen2.5-1.5B; модель дообучена на данных LLaVA-OneVision. Модель предназначена для диалогов по изображениям и генерации текстовых ответов на визуальные запросы. В README приведены результаты оценки на англоязычных и китайских наборах OpenCompass, включая задачи визуальных вопросов и ответов, распознавания текста на изображениях и математики по изображениям. Поддерживается контекст до 32 768 токенов; метаданные указывают английский и китайский языки. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Модель компактна и рассчитана на эффективную мультимодальную обработку, однако приведённые результаты ограничены набором бенчмарков и сами по себе не гарантируют качество в конкретном сценарии. Входные изображения и язык запросов должны соответствовать возможностям мультимодальной архитектуры; модель может ошибаться при сложном визуальном рассуждении или распознавании текста.

nanoLLaVA — компактная мультимодальная модель для диалога по изображениям, разработанная qnguyen3. Она сочетает языковую модель Quyen-SE-v0.1 на базе Qwen1.5-0.5B с визуальным энкодером google/siglip-so400m-patch14-384; в метаданных указано 463,9 млн параметров и контекст 32 768 токенов. Модель принимает текст и изображения и формирует текстовые ответы; среди сценариев — визуальные вопросы и ответы, чтение текста на изображениях и описание связи между изображением и текстом. В README приведены результаты на наборах VQA v2, TextVQA, ScienceQA, POPE, MMMU, GQA и MM-VET, однако данные обучения и код дообучения на момент публикации карточки ещё не представлены. Автор сообщает о более новой версии nanoLLaVA-1.5 с лучшей производительностью. Модель опубликована в формате Safetensors под лицензией Apache-2.0.

Карточка модели arinze/address-match-abp-v4 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k — визуально-языковая модель семейства Eagle, разработанная на основе adapter-based структуры LLaVA и Eagle. Она дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и использует визуальные энкодеры CLIP-448 на основе CLIP-336 и ConvNeXt. Модель предназначена для диалоговой работы с изображениями и генерации текста по визуальному содержимому. Название указывает на чтение таблиц, однако README не описывает конкретные сценарии или результаты этой специализации. Архитектура — EagleLlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Метаданные задают основную задачу как image-text-to-text, а также отмечают поддержку text-generation. Для использования доступны веса в формате safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Качество на чтении таблиц и поддерживаемые языки в предоставленных данных не описаны.

nrbhole/layoutxlm-finetuned-xfund-fr — дообученная модель на базе microsoft/layoutxlm-base для классификации токенов в документах. Она использует мультимодальную архитектуру LayoutXLM, учитывающую текст, расположение элементов и изображение страницы, и содержит 305,2 млн параметров. Модель предназначена для извлечения размеченных сущностей из документов, в частности в рамках датасета xfund-custom. Для обработки документов могут потребоваться текст, координаты элементов и изображение страницы. Модель поддерживает задачу token classification; её родительская модель рассчитана на многоязычное понимание документов. В названии указана французская специализация, однако README не уточняет набор меток и языки обучения. Репозиторий использует формат safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

Pictograph receipt-detection — модель компьютерного зрения для обнаружения чеков, разработанная и опубликованная Pictograph. Она построена на архитектуре YOLOX-M, принимает изображения размером 640×640 и распространяется в формате ONNX с точностью FP32. Модель предназначена для поиска рамки чека на изображении; в её наборе классов указан только класс receipt. В README заявлены mAP 87,2%, mAP@50 100% и recall 87,5%. Модель можно запускать через Pictograph SDK, ONNX Runtime или размещённые сервисы Pictograph. Репозиторий распространяется по лицензии Apache 2.0.

ReVisual-R1-final — мультимодальная модель для диалога и рассуждений по изображениям, разработанная автором репозитория csfufu как дообученная версия Qwen/Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Для неё заявлено контекстное окно до 128 000 токенов. README описывает трёхэтапное обучение: текстовый cold-start для формирования рассуждений, мультимодальное обучение с подкреплением для согласования зрения и логики, затем текстовое обучение с подкреплением для улучшения краткости и связности. Модель предназначена для визуально-математических задач и текстовых рассуждений; автор заявляет высокие результаты на девяти бенчмарках, но не приводит их названия или численные результаты в карточке. Распространяется под лицензией Apache-2.0.

granite-vision-3.3-2b-chart2csv-preview — специализированная зрительно-языковая модель IBM, дообученная на основе ibm-granite/granite-vision-3.3-2b для извлечения табличных данных из графиков и визуализаций. Она принимает изображение графика и по рекомендуемому запросу формирует машиночитаемый CSV с числовыми значениями. Модель предназначена для извлечения данных из графиков в отчётах, презентациях и PDF, в том числе в конвейерах обработки документов Docling и системах мультимодального анализа. Для обучения использовались синтетические данные графиков, созданные по методологии ChartGen; IBM сообщает о повышенной точности чисел по сравнению с универсальными VLM. Архитектура соответствует Granite Vision 3.3 2B; модель построена на Llava Next и распространяется в формате safetensors. На низком разрешении, при сложной компоновке, перекрывающихся элементах или необычных типах графиков таблицы могут быть неполными или содержать ошибки. Результаты следует проверять перед использованием в аналитике с высокими последствиями; модель не предназначена для надёжного решения общих задач компьютерного зрения. Лицензия — Apache-2.0.

pplx-decider-v1-27b — плотная мультимодальная модель на 27 млрд параметров, разработанная Perplexity и дообученная на базе Qwen/Qwen3.8-27B для задач классификации и принятия решений. В метаданных Hugging Face для неё указан pipeline text-classification; README приводит результаты на 11 бенчмарках, включая WinoGrande, FinancialPhraseBank и RAGTruth, измеренные через Perplexity API. Модель подходит для классификации текстов, оценки утверждений и выбора между вариантами в задачах на рассуждение. README указывает на необходимость Python 3.12 или новее и CUDA GPU, способного разместить около 49 ГиБ весов вместе с рабочей памятью. Репозиторий содержит веса safetensors и inference.py. Лицензия — Apache-2.0.

Это модель LayoutLMv3, дообученная автором Theivaprakasham на microsoft/layoutlmv3-base для извлечения ключевой информации из изображений чеков. Она размечает токены и текстовые области по категориям данных чеков; обучение и оценка проводились на WildReceipt, содержащем 25 категорий. В модели 151,8 млн параметров, базовая архитектура LayoutLMv3ForTokenClassification, родной контекст — 514 токенов. На тестовой части WildReceipt модель показала F1 0,8785, точность 0,9249, полноту 0,8799 и loss 0,3108. Она предназначена для извлечения полей из чеков, например для последующей обработки расходов и оцифровки документов. Для работы с изображениями чеков и распознанным текстом требуется учитывать, что качество зависит от данных и условий распознавания; лицензия в предоставленных источниках не указана.

SearchQwen2.5-3B — компактная языковая модель Alibaba Cloud PAI для поиска с использованием инструментов. Это дообученная версия Qwen/Qwen2.5-3B-Instruct с плотной архитектурой Qwen2 и 3,1 млрд параметров; модель работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для многошагового поиска, просмотра веб-страниц и объединения найденных свидетельств в ответ. Она формирует структурированные вызовы инструментов search и browse, поэтому для работы нужен внешний поисковый и браузерный backend. В приведённых авторами оценках она превосходит базовую модель на тестах многошаговых вопросов и глубокого поиска. Модель ориентирована на английский язык согласно карточке, а README также описывает результаты на китайском наборе BrowseComp-ZH. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Trendyol LLM 7B Base — авторегрессионная языковая модель, разработанная Trendyol на основе LLaMA 2 7B. Это базовая версия семейства с отдельным вариантом для чата. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LLaMA и принимает текст, генерируя текст. В метаданных указан контекст 4096 токенов; при описании обучения README приводит максимальную длину последовательности 1024 токена. Базовая модель дообучена с помощью LoRA на 10 млрд токенов. Она предназначена для продолжения текста и может служить основой для генеративных приложений, включая черновики и подсказки на английском и турецком языках. Распространяется по лицензии Apache-2.0. Модель не проходила обширную проверку в реальных сценариях. Она может выдавать неточную информацию, хуже работать с разговорной речью и языками, отличными от английского и турецкого, а также генерировать предвзятый или вредоносный текст; для пользовательских приложений нужны проверка результатов и меры безопасности.

unsloth/Qwen3-VL-4B-Thinking-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-4B-Thinking, разработанной командой Qwen и подготовленной Unsloth с исправлениями шаблона чата. Модель предназначена для обработки текста и изображений, визуального понимания и рассуждений, анализа документов, OCR, STEM- и математических задач, пространственного анализа, понимания видео, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 4 млрд параметров и относится к reasoning-ориентированной версии Thinking. Заявлена поддержка контекста длиной 256K токенов с возможностью расширения до 1M, а также обработки изображений, видео и текста. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — сочетание языкового и визуального понимания, мультимодальное рассуждение, работа с длинным контекстом, пространственными отношениями, видео и сложными визуальными документами. Ограничения, связанные с точностью, вычислительными требованиями и конкретными параметрами GGUF-квантизации, в README не описаны; фактические возможности зависят от используемого варианта файла и среды запуска. Модель распространяется по лицензии Apache-2.0.

Mungert/Apriel-1.6-15b-Thinker-GGUF — GGUF-версия мультимодальной модели Apriel-1.6-15B-Thinker, разработанной ServiceNow в рамках серии Apriel SLM. Модель предназначена для рассуждений по тексту и изображениям, диалоговых приложений, следования инструкциям, работы с функциями и инструментами, а также корпоративных сценариев, включая телекоммуникации, розничную торговлю и авиаперевозки. Модель содержит около 15 млрд параметров и поддерживает текстово-изображённые входы. GGUF-файлы созданы с использованием llama.cpp; в процессе квантования для отдельных важных слоёв применялось повышение точности сверх стандартной конфигурации IMatrix, что должно улучшать качество при заданном уровне квантования, хотя увеличивает размер файла. Заявлены более эффективное расходование токенов рассуждений по сравнению с Apriel-1.5-15B-Thinker, конкурентоспособные результаты на ряде бенчмарков и возможность запуска на одной GPU. Для вызовов инструментов предусмотрены специальные токены, включая <tool_calls> и </tool_calls>. Сильные стороны модели — сочетание мультимодального reasoning, относительно небольшого размера, эффективности по памяти и поддержки сценариев function calling. Ограничения конкретного GGUF-файла зависят от выбранного уровня квантования: снижение точности может влиять на качество, а повышенная точность отдельных слоёв увеличивает размер модели. В представленных данных не указаны контекстное окно, языки, точные требования к памяти и полный перечень ограничений базовой модели. Лицензия — MIT.

Карточка модели RedHatAI/gemma-3-12b-it на Hugging Face совпадает с карточкой google/gemma-3-12b-it, поэтому описание составлено по ней. Gemma 3 12B IT — мультимодальная модель с открытыми весами от Google, дообученная для следования инструкциям на основе google/gemma-3-12b-pt. Она принимает текст и изображения и генерирует текст; относится к семейству Gemma 3 и доступна в формате safetensors для Transformers. Модель предназначена для диалоговых приложений, ответов на вопросы и задач понимания изображений, а также для создания и обобщения текста. Контекстное окно — до 128 тысяч токенов, поддерживается более 140 языков. Размер модели — 12 млрд параметров. Модель подходит для извлечения сведений из изображений, составления черновиков, суммаризации и исследовательских задач. Google отмечает, что ответы могут содержать фактические ошибки, отражать предвзятость обучающих данных и хуже справляться со сложными открытыми запросами, языковыми нюансами и задачами, требующими здравого смысла. Лицензия — Gemma; при использовании следует соблюдать условия лицензии и политику запрещённого использования Gemma.

Это 4-битная версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалога и выполнения инструкций по текстовым запросам и визуальным данным. Модель принимает текст и изображения, а также поддерживает анализ видео согласно описанию базовой модели. Её можно применять для ответов на вопросы об изображениях, извлечения сведений из документов и других визуальных задач. Контекст составляет до 128 000 токенов; доступны интерфейсы чата и вызова инструментов. Репозиторий указывает формат safetensors и лицензию Apache-2.0. Карточка сообщества отсылает к оригинальной карточке Qwen2.5-VL-7B-Instruct за подробностями; качество и ограничения конкретной 4-битной версии отдельно не описаны.

olmOCR-2-7B-1025-bf16 — преобразованная в формат MLX модель сообщества mlx-community на основе allenai/olmOCR-2-7B-1025. Это визуально-языковая модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров, предназначенная для обработки изображений с выдачей текста. Карточка этой копии отсылает за подробностями к исходной модели. Модель подходит для OCR и извлечения текстовой информации из изображений и документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в виде текста; заявленный родительский чекпойнт поддерживает контекст до 128 000 токенов. По метаданным, исходная модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct, а данная копия преобразована в формат MLX. Лицензия — Apache-2.0.

InternVL-Chat-V1-5 — мультимодальная диалоговая модель OpenGVLab, объединяющая визуальный кодировщик InternViT-6B-448px-V1-5, MLP-проектор и языковую модель InternLM2-Chat-20B. В модели 25,5 млрд параметров; она использует динамическую обработку изображений: делит изображение на фрагменты 448 × 448 пикселей и поддерживает входы вплоть до разрешения 4K. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, распознавания текста и анализа документов, диаграмм и графиков. Обучающий набор включает английские и китайские пары вопросов и ответов; метаданные указывают поддержку многоязычия. Модель доступна через Transformers и распространяется по лицензии MIT. В README отмечены сильные стороны в задачах визуального понимания, OCR и работе с китайским текстом. Ограничения включают возможные предвзятые или вредоносные ответы, а также ухудшение понимания изображений при 4-битной квантизации bitsandbytes; авторы рекомендуют избегать этого режима.

MOSS-VL-Instruct-0408 — мультимодальная модель OpenMOSS, дообученная методом supervised fine-tuning на основе MOSS-VL-Base-0408. Она предназначена для понимания изображений и видео, визуальных вопросов и ответов, распознавания текста и разбора документов, визуальных рассуждений и выполнения инструкций. Модель особенно ориентирована на анализ длинных видео: рассуждение о последовательности событий, распознавание действий и привязку событий ко времени. Архитектура использует перекрёстное внимание, раздельно обрабатывающее визуальное представление и языковое рассуждение; временные метки кадров помогают учитывать ход событий, а XRoPE кодирует время и пространственные координаты. Модель поддерживает чередование изображений и видео в одном потоке и диалоговый интерфейс. В карточке заявлены сильные результаты на задачах понимания видео, визуального восприятия и OCR. Модель описана как ранний этап развития семейства; математические и программные рассуждения, а также многошаговое поведение требуют дальнейшего улучшения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Sonar Pro — языковая модель Perplexity, предназначенная для ответов на вопросы с поиском в интернете и опорой на найденные источники. По сравнению с базовым Sonar она рассчитана на более глубокий поиск по большему числу источников и синтез подробных ответов; поддерживает сложные многоэтапные запросы. Данных о размере, архитектуре, контекстном окне и лицензии в доступных источниках нет, поэтому эти характеристики не уточняются.

DeepSeek-VL-7B-Chat — мультимодальная модель понимания изображений и текста, разработанная командой DeepSeek. Это версия с инструкционным дообучением на основе DeepSeek-VL-7B-Base; базовая модель использует языковую основу DeepSeek-LLM-7B-Base и гибридный визуальный энкодер SigLIP-L и SAM-B. Модель принимает изображения размером до 1024 × 1024 вместе с текстовыми запросами и формирует текстовые ответы. Модель предназначена для диалога по изображениям и решения задач визуально-языкового понимания: анализа логических диаграмм и веб-страниц, распознавания формул, чтения научной литературы, описания естественных изображений и понимания сложных сценариев. Веса опубликованы в формате safetensors. В метаданных указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

QianfanOCR — мультимодальная модель для распознавания и понимания содержимого изображений, представленная в репозитории bairongz. Она основана на дообученной OpenGVLab/InternVL3_5-4B-MPO и использует архитектуру QianfanOCRForConditionalGeneration; файлы опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в диалоговом режиме. Модель подходит для OCR и извлечения сведений из изображений, а также для вопросов и ответов по их содержимому. Метаданные указывают на многоязычную поддержку и наборы данных MMPR-v1.2 и MMPR-Tiny. Используется лицензия Apache-2.0. Карточка описывает семейство InternVL3.5 в целом, поэтому конкретные показатели качества и длина контекста именно QianfanOCR здесь не установлены.

SkyworkVL-2B — мультимодальная модель компьютерного зрения и языка, разработанная командой Skywork на базе OpenGVLab/InternVL2_5-2B и дообученная на 2 млн примеров с подписями к изображениям и вопросами и ответами. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в карточке заявлены многоэтапное обучение с учителем и дополнительное обучение рассуждениям на 40 тыс. примеров, включая китайские задания Gaokao. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, анализа диаграмм и научных графиков, распознавания текста на изображениях и определения объектов с рамками. Для обработки изображений применяется разбиение на фрагменты с учётом соотношения сторон и несколько разрешений. В сравнении, приведённом в README, модель показывает сильные результаты на MathVista, MMMU, AI2D, OCRBench, RealWorldQA и HallusionBench, хотя на MME уступает базовой InternVL2.5-2B. Доступны веса в формате safetensors; лицензия — Apache-2.0.

InternVL2-40B — мультимодальная чат-модель с настройкой по инструкциям, разработанная командой OpenGVLab. Она объединяет визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую часть Nous-Hermes-2-Yi-34B; в метаданных указано происхождение через слияние этих моделей. Модель содержит около 40 млрд параметров и рассчитана на контекст до 8 тыс. токенов. Модель принимает текст и изображения, а также предназначена для анализа видео через кадры. Она отвечает на вопросы по изображениям и документам, распознаёт текст на сценах, разбирает диаграммы и инфографику, решает научные и математические задачи и поддерживает диалог. Карточка заявляет конкурентные результаты на ряде мультимодальных тестов, но они не гарантируют качество на конкретных данных пользователя. Репозиторий распространяется под лицензией MIT. Для запуска в Transformers требуется соответствующая инфраструктура; размер модели требует значительных вычислительных ресурсов. В метаданных указаны мультиязычность и поддержка чата, но конкретные языки не перечислены.

InternVL-Chat-V1-2 — мультимодальная большая языковая модель от OpenGVLab для диалога по изображениям и тексту. Она объединяет vision-энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель опубликована в формате safetensors и предназначена для запуска через Transformers с поддержкой пользовательского кода модели. Модель отвечает на вопросы об изображениях, описывает их и обрабатывает визуальные инструкции. В обучающие данные включены примеры OCR, диаграмм, графиков, документов и научных иллюстраций; также поддерживается обычный текстовый диалог. Изображения обрабатываются с размером 448 × 448 пикселей и представляются 256 визуальными токенами. Карточка характеризует языковую часть как многоязычную, но не перечисляет конкретные языки. В README приведены сравнительные результаты на наборах тестов для визуальных вопросов и понимания изображений. Для запуска нужны значительные вычислительные ресурсы, соответствующие модели на 40 млрд параметров. В README отдельно предупреждают, что 4-битная квантизация BNB может привести к потере понимания изображений и бессмысленным ответам. Лицензия модели — MIT.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

EZCon/GLM-OCR-mlx — конвертированная для MLX версия модели GLM-OCR от zai-org. Это плотная мультимодальная модель с архитектурой GlmOcrForConditionalGeneration, предназначенная для распознавания текста и разбора содержимого изображений; поддерживает диалоговый режим и работу с изображениями. В карточке указаны восемь языков: китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors и использует библиотеку MLX; README сообщает о конвертации из zai-org/GLM-OCR с помощью mlx-vlm 0.6.12. Модель распространяется по лицензии MIT.

Mini-InternVL-Chat-4B-V1-5 — компактная мультимодальная модель для диалога с изображениями, разработанная OpenGVLab. Она сочетает InternViT-300M-448px, MLP и языковую модель Phi-3-mini-128k-instruct; архитектура относится к семейству InternVL Chat. Модель содержит около 4,2 млрд параметров и принимает изображения с динамическим разрешением, разбивая их максимум на 40 фрагментов размером 448 × 448 пикселей. Модель предназначена для ответов на вопросы по изображениям, распознавания текста и анализа диаграмм и документов, а также для обычного диалога и генерации текста. В README указаны оценки на наборах DocVQA, ChartQA, InfoVQA, TextVQA, OCRBench, MathVista и других. Обучение проводилось с контекстом 8K; значение 128K в названии базовой Phi-3 не означает, что такой контекст подтверждён для этой модели. Для запуска README приводит пример с Transformers и вычислениями в bf16/fp16. Модель объединяет vision-компонент InternViT и Phi-3-mini; метаданные указывают связи merge с обеими базовыми моделями. Поддержка языков обозначена как multilingual, но конкретный список языков не приведён. Лицензия — MIT. Модель может выдавать предвзятый или иной вредоносный контент, а результаты вероятностной генерации требуют проверки.