IV.1Ритейл, электронная коммерция и fashion-tech

Trendyol LLM v1.0 Chat — диалоговая авторегрессионная языковая модель компании Trendyol на основе Mistral-7B. Модель содержит 7,2 млрд параметров, использует архитектуру Mistral и принимает текст, генерируя текст. Чат-версия дообучена с помощью LoRA на 180 тысячах наборов инструкций; в метаданных указан контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций, прежде всего на турецком и английском языках. Её можно использовать для генерации ответов и черновиков текста. Качество работы с разговорной речью и другими языками может быть ограничено; ответы могут содержать фактические ошибки и предвзятые или вредоносные формулировки, поэтому для важных сценариев нужна проверка человеком. Модель выпущена под лицензией Apache-2.0.

Typhoon-OCR-7B — мультимодальная модель для разбора документов, разработанная командой Typhoon AI. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для извлечения и структурирования содержимого тайских и английских документов: отчётов, научных статей, книг, государственных форм, чеков, меню, билетов и инфографики. Модель принимает изображения документов и выдаёт текст с сохранением структуры: общий текст в Markdown, таблицы в HTML, а иллюстрации и диаграммы — в виде структурированных описаний. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Для качественной работы ей требуются предусмотренные авторами промпты; произвольные инструкции могут работать некорректно. Авторы отмечают возможные ошибки распознавания и галлюцинации, а также трудности с интерпретацией разнообразных иллюстраций в книгах. Модель не имеет защитных ограничений и не предназначена для задач визуальных вопросов и ответов. Лицензия — Apache-2.0; использование также связано с условиями OpenTyphoon и уведомлением о конфиденциальности.

LayoutLMv2-large-uncased — мультимодальная модель Microsoft для понимания документов, в которой совместно обрабатываются текст, его расположение на странице и изображение документа. Модель основана на архитектуре LayoutLMv2, содержит около 433,9 млн параметров и рассчитана на последовательности длиной до 512 токенов; репозиторий содержит веса PyTorch. Модель предназначена для последующей настройки и применения в задачах визуально обогащённого понимания документов: извлечения и классификации полей, анализа структуры форм и ответов на вопросы по документам. В карточке приведены результаты на FUNSD, CORD, SROIE, Kleister-NDA, RVL-CDIP и DocVQA. Основной язык карточки — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и условия распространения производных материалов. Размер контекста ограничен 512 токенами; для прикладных задач может потребоваться настройка на целевых типах документов.

LightOnOCR-2-1B-bbox-base — созданный LightOn для дообучения базовый чекпойнт модели LightOnOCR-2. Это плотная vision-language модель семейства Mistral3 с 1 млрд параметров: она принимает изображения страниц документов и генерирует распознанный текст вместе с координатами ограничивающих рамок. Модель предназначена для OCR и извлечения текста из PDF, сканов и изображений с сохранением естественного порядка чтения. Чекпойнт до этапа RLVR рассчитан на адаптацию под конкретные документы и сценарии, где нужна локализация текста; поддерживает дообучение LoRA и обучение с наградой на основе IoU. Семейство LightOnOCR-2 ориентировано на эффективное распознавание документов, включая таблицы, формы, LaTeX и французские материалы. В карточке перечислена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. Для PDF рекомендуется рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. Для работы требуется версия Transformers, установленная из исходного кода. Лицензия — Apache-2.0.

LiteResearcher-4B — агентная языковая модель компании Simplex AI, дообученная на базе Qwen/Qwen3-4B-Thinking с помощью обучения с подкреплением. Она построена на архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для глубокого веб-исследования: она поочерёдно анализирует запрос, ищет сведения в интернете, посещает страницы и формирует ответ на основе собранных данных. Агент использует стиль ReAct и инструменты поиска и просмотра страниц; для работы с ними требуется внешняя инфраструктура и соответствующие ключи доступа. Карточка приводит результаты на бенчмарках GAIA, Xbench-DS и Frames, но они сами по себе не гарантируют аналогичное качество на других задачах. Модель принимает текст и генерирует текст; языковые теги карточки указывают английский и китайский. Распространяется по лицензии Apache-2.0.

MiroThinker v1.5-30B — поисковый агент для многошагового рассуждения и поиска информации, разработанный MiroMind и дообученный на базе Qwen/Qwen3-30B-A3B-Thinking-2507. Модель использует архитектуру Qwen3 MoE и предназначена для работы в диалоговом режиме с внешними инструментами через агентный фреймворк. Модель поддерживает контекст до 262 144 токенов и, согласно карточке, может выполнять до 400 вызовов инструментов за задачу. Она рассчитана на глубокие исследовательские запросы, требующие поиска, проверки сведений и последовательного уточнения ответа по обратной связи от среды. Метаданные указывают 2,6 млрд параметров; в README модель включена в серию, также представленную вариантом на 235 млрд параметров. В карточке заявлены результаты на бенчмарках HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Val-165; это заявления разработчика, а подробный технический отчёт на момент публикации карточки ещё не представлен. Для полноценного использования рекомендуется агентная инфраструктура с подключёнными инструментами и включённым режимом рассуждения. Модель распространяется по лицензии MIT.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

PeterAM4/Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen3-Embedding-0.6B, разработанной Qwen и квантизированной PeterAM4 с помощью llama.cpp. Модель предназначена для построения эмбеддингов и подходит для RAG-систем, семантического поиска, извлечения документов и задач финансового NLP. Доступны варианты квантизации от 8-битных до 1-битных, включая версии с калибровкой importance matrix, ориентированной на финансовые и технические тексты. Базовая модель содержит 595 776 512 параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует эмбеддинги размерности 1024. Заявлена мультиязычная поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Компактный размер квантизированных файлов позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. К сильным сторонам относятся низкое потребление памяти, потенциально малая задержка и сохранение качества при умеренной квантизации; по приведённому тестированию рекомендован вариант Q3_K_M-imat размером 331 МБ. Качество существенно зависит от выбранного формата: при чрезмерно агрессивной квантизации показатели perplexity заметно ухудшаются, а результаты тестов получены на ограниченном корпусе финансовых, математических и общих текстов и не гарантируют качество для всех задач. Модель распространяется по лицензии Apache 2.0.

LFM2-1.2B-Extract-GGUF — модель Liquid AI для извлечения важной информации из неструктурированных документов и преобразования её в структурированный вид. Она предназначена для обработки статей, расшифровок, отчётов, электронных писем, нормативных документов и обращений в службу поддержки с формированием результатов в форматах JSON, XML или YAML. Модель основана на LFM2-1.2B и имеет размер около 1,2 млрд параметров. Распространяется в формате GGUF и относится к задачам генерации текста; в README приведён пример запуска с llama.cpp. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Возможные сценарии включают извлечение реквизитов счетов, подготовку данных для систем комплаенса и аналитики, а также пополнение графов знаний сущностями и атрибутами. К сильным сторонам относятся специализация на структурированном извлечении и возможность локального использования через совместимые инструменты. README не содержит сведений о точной архитектуре, размере контекста, результатах сравнительных тестов, требованиях к оборудованию или ограничениях качества, поэтому эти характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии lfm1.0; условия лицензии указаны в файле LICENSE.

Gliese-OCR-7B-Post2.0-final-i1-GGUF — квантованная GGUF-версия vision-language модели Gliese-OCR-7B-Post2.0-final, разработанной prithivMLmods и квантованной mradermacher. Модель ориентирована на обработку документов: OCR, преобразование изображений и PDF в текст или Markdown, извлечение и связывание структурированных данных, а также задачи Intelligent Document Processing и Key Information Extraction. Модель имеет размерный класс 7B, поддерживает работу с визуальными данными и текстом и предназначена прежде всего для англоязычных документов. В репозитории представлены варианты квантования от IQ1 до Q6, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S; их размер составляет примерно от 2,0 до 6,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для запуска vision-модели могут потребоваться файлы mmproj из статического репозитория. Сильная сторона модели — специализация на распознавании и анализе документов, включая вывод в Markdown и извлечение информации из визуального содержимого. Ограничения README не раскрывает: отсутствуют сведения о длине контекста, точной архитектуре, поддерживаемых языках помимо English, результатах тестирования и типичных ошибках. Доступно множество квантованных вариантов, но наиболее низкобитные версии могут заметно уступать по качеству. Лицензия — Apache-2.0.

Nanthasit/my-embedding-gemma — текстовая модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства. Модель принимает текст, поддерживает последовательности до 2048 токенов и предназначена для семантического поиска, сравнения текстов и других задач на основе эмбеддингов. Её можно использовать для поиска похожих документов, обнаружения перефразировок, классификации и кластеризации текстов. Дообучение выполнено с MultipleNegativesRankingLoss на трёх примерах, посвящённых финансовым и страховым вопросам; такой малый объём данных ограничивает основания для выводов о качестве и специализации модели. Лицензия в предоставленных данных не указана.

SLIMER (Show Less Instruct More Entity Recognition) — языковая модель на архитектуре LLaMA, разработанная для извлечения именованных сущностей из английского текста в режиме zero-shot. Она получает текст и инструкцию с типом сущности, её определением и рекомендациями по разметке, а затем возвращает найденные сущности в виде JSON-списка. Такой подход рассчитан на работу с типами сущностей, которых не было среди обучающих меток; в README отмечены результаты на доменах, отличающихся от обучающих, включая финансовые данные. Модель содержит 6,6 млрд параметров, использует формат safetensors и имеет контекстное окно 4096 токенов. README указывает на дообучение инструкциями на сокращённом наборе примеров; лицензия в метаданных обозначена как llama2. Модель предназначена прежде всего для извлечения сущностей, а не для произвольного диалога. Она может ошибаться на неоднозначных упоминаниях и зависит от качества определения сущности и рекомендаций в запросе.

VLAA-Thinker-Qwen2VL-7B — мультимодальная модель UCSC-VLAA для рассуждений по изображениям и тексту. Она дообучена на наборе VLAA-Thinking с применением supervised fine-tuning и reinforcement learning; модель построена на архитектуре Qwen2-VL и содержит 7,1 млрд параметров. Модель предназначена для диалоговых задач, где нужно анализировать изображение, связывать визуальные сведения с вопросом и давать обоснованный ответ. Среди подходящих сценариев — решение задач по диаграммам и графикам, визуальные вопросы и ответы, анализ документов и изображений с текстом, а также мультимодальные математические задачи. В README заявлены высокие результаты на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Модель принимает текст и изображения, выдаёт текст; родной контекст составляет 32 768 токенов. Для инференса README требует включать обучающий системный промпт. Доступны веса в формате safetensors, используется Transformers, лицензия — Apache-2.0. Подробные инструкции по использованию промпта и код инференса приведены в README.

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.

donut-base-sroie — дообученная модель davelotito для преобразования изображений документов в текст. Она построена на архитектуре VisionEncoderDecoderModel и предназначена для сценариев, где нужно извлечь текстовое содержимое из изображения. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете imagefolder, но сведения о составе данных, качестве и конкретных ограничениях отсутствуют. Метаданные также относят модель к задаче image-text-to-text и указывают поддержку изображений.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

cyttic/trocr-bigram4-BY-50k — дообученная модель cyttic/exp2-frozen-benyehuda-cont с архитектурой vision-encoder-decoder. Она предназначена для преобразования изображений в текст; вероятный сценарий применения — распознавание текста на изображениях. В репозитории веса в формате safetensors, модель использует библиотеку Transformers. В карточке приведены результаты оценки: loss 1.2304, CER 0.0891 и WER 0.2221. Датасет обучения не раскрыт, а описание модели и её ограничений не заполнено. Лицензия и поддерживаемые языки в доступных данных не указаны.

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

QvQ-Step-Tiny — мультимодальная модель PrithivMLmods на архитектуре Qwen2-VL, дообученная на наборах данных VCR для пошагового объяснения визуального контекста. Метаданные указывают 1,5 млрд параметров, контекст до 32 768 токенов и формат Safetensors; в README указаны 2,21 млрд параметров и точность BF16, поэтому размер модели в источниках расходится. Модель принимает изображения и текстовые запросы, а также формирует текстовые ответы с объяснениями. Она предназначена для визуальных вопросов и ответов, разбора документов и математических изображений, а также анализа видеосодержимого. В карточке заявлены поддержка распознавания текста на разных языках и возможности Qwen2-VL для изображений разных размеров и пропорций. Основной язык карточки — английский; мультиязычная поддержка упоминается в README. К ограничениям относятся возможное снижение точности на низкокачественных изображениях и сложных специализированных задачах, а также значительные вычислительные требования при работе с высоким разрешением и длинным контекстом. Заявленные возможности анализа видео длительностью более 20 минут и управления устройствами описаны в README, но не подтверждены метаданными. Лицензия — Apache-2.0.

solvi-ai/extract-base — англоязычная модель извлечения полей из документов, разработанная Solvi. По документу и обычному текстовому описанию нужного поля модель находит соответствующий фрагмент, оценивает уверенность или сообщает, что поле отсутствует. Она предназначена для извлечения дат, сумм, имён и договорных условий, а также для дообучения на размеченных документах конкретной организации. В основе — ModernBERT-large с линейной головой предсказания начала и конца фрагмента; модель содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Длинные документы обрабатываются перекрывающимися окнами по 1024 токена. Обучение проводилось на примерах SQuAD 2.0, CUAD и CORD v2; доступны веса Safetensors и экспорт ONNX. README приводит результаты на договорах, чеках и наборах вопросов и ответов, но отмечает заметные ограничения при извлечении невиданных полей без примеров. Модель лучше подходит как начальная точка для последующего дообучения: для производственного применения автор рекомендует разметить примерно 25–100 документов и настроить пороги на отложенных данных. Она поддерживает только английский язык; другие типы документов не проверялись, а оценки уверенности не являются калиброванными вероятностями. Лицензия — Apache-2.0.

cyttic/trocr-fonts1 — дообученная модель семейства vision-encoder-decoder на базе cyttic/exp2-frozen-benyehuda-cont. Она принимает изображения и преобразует содержащийся в них текст в текстовую последовательность; карточка приводит метрики CER 0,0246 и WER 0,0689 на оценочном наборе. Данные обучения и подробное описание сценариев использования не раскрыты. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в доступных данных отсутствуют.

de-Rodrigo/donut-merit — модель понимания документов на архитектуре Donut, дообученная разработчиком на наборе Merit для задач разбора форм. Она принимает изображение документа и формирует текстовое представление его содержимого. Модель относится к семейству vision-encoder-decoder и предназначена для сценариев извлечения информации из форм. Карточка указывает английский и испанский языки. Модель распространяется в формате safetensors по лицензии MIT. Основана на naver-clova-ix/donut-base-finetuned-cord-v2. README помечен как WIP; дополнительных сведений о качестве и ограничениях модели нет.

lift-bf16 — конверсия модели Datalab lift от сообщества mlx-community для запуска на Apple Silicon через mlx-vlm. Это плотная vision-language модель семейства Qwen3.5 с 9 млрд параметров: она принимает PDF или изображения документов и извлекает данные в JSON по заданной схеме. Поддерживаются чатовый интерфейс и структурированный вывод; в сервере MLX-VLM JSON Schema применяется при декодировании, чтобы обеспечить корректный формат и типы полей. Репозиторий содержит веса bf16 в формате MLX и safetensors без квантизации; размер весов около 18 ГБ. Модель подходит, например, для извлечения полей из счетов и разбора документов, где требуется результат по заранее заданной схеме. В README для исходной модели lift приведён результат 90,2% по полям и 20,9% по полному документу на бенчмарке Datalab из 225 документов; это не отдельная оценка данной конверсии. Указанные в README скорость и пиковая память получены на одном тесте извлечения счета и не являются полноценным бенчмарком. Исходные веса выпущены Datalab, а lift-bf16 — неофициальная конверсия сообщества. Указана лицензия OpenRAIL. Для запуска требуется примерно 18 ГБ памяти только под веса; фактическая потребность зависит от окружения и входных данных.

Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2-GGUF — набор квантованных версий модели Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2. Модель опубликована пользователем noctrex и основана на модели huihui-ai. По карточке она предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Суффикс Instruct указывает на настройку для выполнения пользовательских инструкций, а GGUF — на формат, ориентированный на локальный запуск средствами, поддерживающими этот формат. Из известных характеристик — размер базовой модели около 24 миллиардов параметров и наличие мультимодального сценария работы с изображениями и текстом. Ключевое преимущество набора — возможность выбрать подходящий уровень квантования для снижения требований к памяти и запуска на совместимом локальном оборудовании, однако конкретные варианты квантования, требования к ресурсам, поддерживаемые языки, размер контекста и результаты тестирования в README не указаны. Лицензия и ограничения на использование также не указаны; перед применением следует ознакомиться с условиями лицензии исходной модели.

MaziyarPanahi/sqlcoder-7b-Mistral-7B-Instruct-v0.1 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и defog/sqlcoder-7b методом SLERP. Она предназначена для генерации текста и кода по инструкциям, в частности для работы с SQL-запросами. Модель поддерживает диалоговый формат и рассчитана на английский язык; метаданные указывают контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Она может помогать формировать SQL по текстовому описанию задачи и вести диалог о коде и запросах. Карточка не приводит результатов оценки качества или подробных ограничений; качество SQL следует проверять на целевой схеме данных и конкретной СУБД.

Ming-Lite-Omni v1.5 — мультимодальная модель семейства BailingMM, выпущенная командой inclusionAI. Она предназначена для понимания изображений, документов, видео и речи, а также для синтеза речи, генерации и редактирования изображений. В README указано 20,3 млрд параметров, из которых 3 млрд активны в блоке Mixture-of-Experts; модель построена на Ling-lite-1.5 и развивает Ming-Lite-Omni. Модель рассчитана на мультимодальные сценарии: анализ визуальных последовательностей, распознавание и понимание текста в документах и диаграммах, понимание речи и генерация речи в реальном времени, а также создание и редактирование изображений. Разработчики сообщают об улучшениях понимания длинных видео и согласованности при генерации и редактировании изображений. В README приведены сравнительные результаты на ряде бенчмарков, но они не гарантируют качество на конкретных данных. Репозиторий содержит файлы ONNX и Safetensors. Лицензия — MIT. Карточка не сообщает длину контекста и список поддерживаемых естественных языков; README упоминает расширение речевых данных, включая диалекты, без указания языковых кодов.

NorskHelsenett/eti-embeddinggemma-v3 — модель Sentence Transformer, дообученная Norsk Helsenett на базе google/embeddinggemma-300m для представления предложений и абзацев в виде плотных эмбеддингов размерности 768. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и предназначена для вычисления косинусного сходства. Её можно применять для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Обучение проводилось на 543 922 примерах с anchor, positive и negative; в README приведены результаты оценки для задач сравнения и информационного поиска. Метаданные указывают базовую модель, библиотеку Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

lmstudio-community/gemma-3-27B-it-qat-GGUF — это GGUF-квантизированная версия Gemma 3 27B IT, разработанная Google и представленная в рамках программы LM Studio Community Models. Квантизация выполнена Google с применением Quantization Aware Training для повышения качества работы в 4-битном формате. Модель предназначена для генерации текста и понимания изображений. Она подходит для ответов на вопросы, суммирования, рассуждений и других задач, требующих анализа текста или совместной обработки текста и изображений. Поддерживается мультимодальный ввод изображений, нормализуемых до разрешения 896 × 896 пикселей. Заявленная длина контекста составляет до 128 000 токенов, максимальная длина генерируемого ответа — 8 192 токена. Ключевыми преимуществами являются сочетание крупного размера 27B, поддержки изображений, длинного контекста и оптимизации для 4-битного запуска. Ограничения включают возможные неточности, вредные или неподходящие ответы, а также требования к вычислительным ресурсам, характерные для модели такого размера; сведения о поддерживаемых языках в README не указаны. Для использования применяется лицензия Gemma; доступ к исходной модели на Hugging Face требует принятия условий лицензии Google.

EXAONE-4.5-33B-FP8 — открытая мультимодальная vision-language модель, разработанная LG AI Research. Она предназначена для обработки текста и изображений, включая визуальные вопросы и ответы, анализ документов, контекстное рассуждение и общие задачи понимания мультимодального контента. Модель может применяться в ассистентах, системах работы с документами и исследовательских приложениях. Модель имеет плотную архитектуру causal language model с выделенным vision encoder: 31,7 млрд параметров приходится на языковую часть и 1,29 млрд — на визуальный энкодер, всего около 33 млрд параметров. Используются hybrid attention со sliding window размером 4096 токенов и global attention, Grouped Query Attention, 2D RoPE для визуальных представлений и контекст до 262 144 токенов. Модель поддерживает английский, корейский, испанский, немецкий, японский и вьетнамский языки. Знания ограничены декабрём 2024 года, а веса представлены в FP8-квантизации. Сильными сторонами заявлены конкурентоспособные результаты на общих мультимодальных бенчмарках, понимание документов и рассуждение с учётом корейского контекста; при этом показатели зависят от задачи, а FP8-квантизация и размер модели предъявляют повышенные требования к вычислительным ресурсам. Модель лицензирована по условиям EXAONE; точные ограничения следует уточнять в файле LICENSE.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.