IV.1Ритейл, электронная коммерция и fashion-tech

Vishva007/Qwen3.8-27B-W4A16-AutoRound — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель предназначена для генерации текста по текстовым и визуальным входам, включая анализ изображений и задачи оптического распознавания символов (OCR). В README она обозначена как vision-language model с поддержкой сценария image-text-to-text. Модель содержит около 27 млрд параметров и использует формат квантизации W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизация выполнена с помощью Intel AutoRound с размером группы 64, симметричной схемой, 512 калибровочными образцами и 600 итерациями настройки. Визуальная башня сохранена в формате BF16, как и специальные MTP-слои, что должно помогать сохранять качество визуального рассуждения и OCR. Заявленное потребление видеопамяти составляет примерно 16–18 ГБ против около 54 ГБ у исходной BF16-модели, поэтому вариант подходит для запуска на одной видеокарте с 24 ГБ VRAM и для высокопроизводительного сервинга через vLLM. К преимуществам относятся существенно сниженные требования к памяти и потенциально более высокая скорость декодирования при сохранении визуальных компонентов в BF16. Ограничения включают возможную потерю точности из-за 4-битной квантизации, а также отсутствие в README сведений о поддерживаемых языках, точном размере контекста, результатах бенчмарков и детальных ограничениях применения. Модель распространяется по лицензии Apache-2.0.

heretic-org/gemma-3-4b-it-heretic — это производная от Gemma 3 4B IT модель с открытыми весами, размещённая heretic-org. Она принимает текст и изображения и генерирует текст; поддерживает диалоговые сценарии и задачи понимания изображений. В карточке базовой Gemma 3 указаны контекст до 128K токенов и поддержка более 140 языков. Модель подходит для ответов на вопросы по изображениям, извлечения и краткого изложения визуальной информации, диалоговых помощников, генерации и суммаризации текста. Метаданные отмечают её как uncensored/decensored, поэтому она может слабее ограничивать генерацию нежелательного содержания. Указанная лицензия — gemma; применяются условия лицензии и политики использования Gemma.

Qwen3.8-27B-GGUF — это квантизированная мультимодальная vision-language модель на базе Qwen/Qwen3.8-27B, подготовленная разработчиком 6block с использованием llama.cpp. Она предназначена для обработки текста, изображений и видео с генерацией текстовых ответов, поэтому подходит для визуального анализа, работы с документами и общих текстовых задач. Заявлены английский и китайский языки. Модель имеет плотную архитектуру с 27,8 млрд параметров, включая vision tower, и 64 decoder-слоя. В гибридной схеме 16 слоёв используют grouped-query full attention, а 48 — Gated DeltaNet linear attention. Нативная длина контекста составляет 262 144 токена, с возможностью дальнейшего расширения через YaRN; словарь содержит 248 320 токенов, embeddings не связаны. Доступны варианты квантизации от Q8_0 до IQ2_XXS, что позволяет выбирать между качеством, размером файлов и требованиями к памяти. Для мультимодального ввода требуется отдельный файл vision projector mmproj; без него модель работает только с текстом. Благодаря гибридной архитектуре KV-кэш растёт только для 16 полно-внимательных слоёв, что снижает затраты памяти на длинном контексте. К сильным сторонам относятся поддержка текста, изображений и видео, очень длинный контекст, широкий набор вариантов квантизации и imatrix-калибровка для сохранения качества при сжатии. Ограничениями являются значительные требования к памяти: размер текстового backbone составляет примерно от 9,3 до 26,1 GiB в зависимости от варианта, а для мультимодальной работы дополнительно нужен vision projector размером около 0,9 GiB и память под KV-кэш. Модель распространяется по лицензии Apache-2.0.

Eagle 2.5-8B — мультимодальная модель семейства Eagle 2.5 от NVIDIA для анализа изображений, видео и текста. В основе архитектуры — визуальный энкодер SigLIP2-So400m-Patch16-512 и языковая модель Qwen2.5-7B-Instruct, объединённые в мультимодальную архитектуру на базе LLaVA с разбиением изображений на фрагменты. Модель поддерживает изображения высокого разрешения, многостраничные документы, длинный текст и видео до 512 кадров; контекст при обучении постепенно расширяли с 32K до 128K токенов. Модель предназначена для ответов на вопросы по видео и изображениям, суммаризации видео, локализации событий и понимания документов. В README сообщается о результатах на тестах понимания длинных видео и изображений, включая 72,4% на Video-MME при подаче 512 кадров. Указанная в метаданных лицензия — other; конкретные условия следует сверять с карточкой модели.

InternVL2-Llama3-76B — мультимодальная инструкция-модель OpenGVLab из семейства InternVL 2.0, объединяющая визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую модель Hermes-2-Theta-Llama-3-70B. Модель содержит 76 млрд параметров, использует архитектуру InternVLChatModel и доступна в формате Safetensors для Transformers. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. Она предназначена для понимания документов, диаграмм, инфографики и сцен с текстом, OCR, визуальных вопросов и ответов, научных и математических задач, а также анализа нескольких изображений и видео. В README указано контекстное окно 8 тысяч токенов; обучение включало длинные тексты, несколько изображений и видео. Карточка обозначает модель как мультиязычную, но не перечисляет конкретные поддерживаемые языки. Модель подходит для визуального анализа и диалоговых сценариев, однако для видео в описанных оценках использовались 16 кадров, уменьшенных до 448×448 пикселей. Для больших запросов с несколькими изображениями расходуется больше токенов. Лицензия — Llama 3; перед использованием следует учитывать её условия.

Это конвертированная в формат MLX версия мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16; конверсию выполнил mlx-community с помощью mlx-vlm 0.4.5. Модель предназначена для диалогового анализа изображений и текста, а описание базовой модели также указывает на работу с аудио и видео, включая транскрибацию, OCR, суммаризацию и обработку документов. В репозитории указаны архитектура NemotronH_Nano_Omni_Reasoning_V3, формат safetensors и библиотека MLX. Метаданные связывают эту версию с базовой моделью NVIDIA и датасетом Nemotron-Image-Training-v3. Лицензия обозначена как other; подробные условия следует сверять с карточкой базовой модели. Размер параметров и длина контекста в предоставленных данных не указаны.

CultriX/Qwen2.5-14B-BrocaV9 — объединённая модель генерации текста семейства Qwen2.5, созданная CultriX с помощью mergekit. В качестве базовой использована CultriX/Qwen2.5-14B-Wernickev3; в объединение также вошли SeQwence-14Bv1, QwenSlerp6-14B, Qwen2.5-Math-14B-Instruct, Qwenfinity-2.5-14B и Q2.5-Veltha-14B-0.5. Метод слияния — della_linear. Модель предназначена для диалогового общения и генерации текста; её можно использовать для ответов на вопросы, написания и продолжения текстов, а также задач рассуждения и математики. Это плотная причинно-языковая архитектура Qwen2 с 14 млрд параметров, доступная в формате safetensors и поддерживающая контекст до 131 072 токенов. Карточка указывает лицензию Apache-2.0.

ryanfortin/community-blend-qwen3-8b — это плотная языковая модель семейства Qwen3 с 7,6 млрд параметров, разработанная путём эволюционного слияния моделей. По README, автор получил её после 781 поколения автоматического отбора и 749 слияний дообученных моделей Qwen3-8B; итоговый вариант создан методом SLERP из двух промежуточных чемпионов. Модель предназначена для диалоговой генерации текста, ответов на вопросы и рассуждений в разных областях. Контекст составляет 40 960 токенов; репозиторий содержит веса в safetensors и использует библиотеку Transformers. README сообщает об улучшении относительно исходной Qwen3-8B на шести из восьми бенчмарков, включая HellaSwag и ARC, и описывает сохранённые навыки в медицине, математике и прогнозировании. Это результаты тестирования автора, а не гарантия качества для конкретных пользовательских задач. Модель доступна по лицензии Apache-2.0.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Bee-8B-SFT — мультимодальная модель с открытыми весами от команды Open-Bee, дообученная на базе Qwen/Qwen3-8B на корпусе Honey-Data-15M примерно из 15 миллионов примеров. Архитектура Bee — плотная модель класса BeeForConditionalGeneration; она принимает изображения и текст и отвечает в формате диалога. Для работы доступны режимы с рассуждениями и без них. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая сложные рассуждения, математические задачи, анализ документов, диаграмм и других структурированных визуальных данных. Авторы сообщают о высоких результатах на MathVerse, LogicVista, DynaMath и CharXiv; поддерживаются Transformers и vLLM. Карточка указывает английский язык, а базовая Qwen3-8B описана как многоязычная. Размер контекста в предоставленных данных не указан. Модель распространяется по лицензии Apache-2.0. Заявления о качестве основаны на результатах бенчмарков авторов; конкретные ограничения и гарантии качества не описаны.

Карточка модели npario/GLM-OCR-bf16 на Hugging Face совпадает с карточкой mlx-community/GLM-OCR-bf16, поэтому описание составлено по ней. mlx-community/GLM-OCR-bf16 — конвертированная в формат MLX версия мультимодальной модели GLM-OCR, подготовленная mlx-community на основе zai-org/GLM-OCR. Она предназначена для распознавания текста на изображениях и может применяться для извлечения содержимого из сканов и фотографий документов. Базовая GLM-OCR ориентирована также на распознавание формул и таблиц, разбор документов и извлечение структурированных данных. Модель использует плотную архитектуру GLM-OCR и класс GlmOcrForConditionalGeneration. В карточке указаны языки китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors; README описывает конвертацию для MLX с помощью mlx-vlm 0.3.11. Лицензия — MIT. Модель принимает изображения и выдаёт текст. Подробности о размере и длине контекста в предоставленных данных отсутствуют. Указанная задача Hugging Face — image-to-text; характеристики сверх неё и краткого описания базовой модели относятся к исходной GLM-OCR и не раскрыты в этой карточке.

Это объединённая модель генерации текста семейства Llama 3.1, созданная с помощью mergekit путём линейного слияния unsloth/Meta-Llama-3.1-8B и unsloth/Meta-Llama-3.1-8B-Instruct. В модели около 7,5 млрд параметров; она построена на архитектуре LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет до 131 072 токенов; в метаданных также отмечен интерфейс вызова инструментов. Карточка не уточняет языковой охват и отдельные области применения, поэтому модель следует рассматривать как универсальную. Лицензия в предоставленных данных не указана. Качество слияния и сравнительные результаты не описаны; возможности вызова инструментов обозначают наличие интерфейса и не гарантируют надёжность выполнения каждого вызова.

Gemma-SEA-LION-v4-27B-VL — мультимодальная инструктивно настроенная модель AI Singapore и SEACrowd для работы с изображениями и текстом в сценариях, связанных с Юго-Восточной Азией. Она построена на архитектуре Gemma 3 и дообучена на примерно 540 тысячах пар инструкций и изображений на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, китайском, тагальском, тамильском, тайском и вьетнамском языках. Базовая модель — aisingapore/Gemma-SEA-LION-v4-27B-IT. Модель принимает текст и изображения, поддерживает визуальные вопросы и ответы, понимание документов, рассуждение с опорой на изображения и создание подписей к ним. Контекст составляет 128 тысяч токенов; заявлены также вызов функций и структурированный вывод. Она предназначена для мультиязычных приложений, ориентированных на регион Юго-Восточной Азии. Модель может галлюцинировать, выдавать нерелевантные или непоследовательные ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности; текстовые возможности близки к базовой Gemma-SEA-LION-v4-27B-IT. Распространяется на условиях Gemma Terms of Use.

Qianfan-OCR-GGUF — набор GGUF-квантизированных версий мультимодальной модели baidu/Qianfan-OCR, разработанной Baidu. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии document intelligence и OCR. Она использует архитектуру InternVL Chat с языковой основой Qwen3 примерно на 4,7 млрд параметров и поддерживает мультиязычные задачи image-text-to-text. Квантизация выполнена Reza2kn с использованием llama.cpp. Доступны варианты от F16 размером около 9,4 ГБ до Q2_K размером около 1,7 ГБ. Версии различаются компромиссом между размером, скоростью и качеством: F16 сохраняет точность в формате half precision, Q8_0 близка к исходному качеству, а Q4_K_M указана как рекомендуемая и занимает около 2,8 ГБ. Для работы в llama.cpp требуются файл модели и соответствующий multimodal projector; модель принимает изображения документов и текстовые запросы. В README приведены результаты исходной модели на OmniDocBench и OCRBench, но подробные сведения о поддерживаемых языках, длине контекста и ограничениях распознавания не указаны. Распространение заявлено по лицензии Apache License 2.0 с сохранением уведомлений и условий сторонних компонентов.

Synthia-70B-v1.2 — языковая модель семейства Llama, разработанная Migtissera на основе Llama 2 70B и дообученная на синтетических наборах данных в стиле Orca. Она предназначена для следования инструкциям, генерации текста и продолжительных диалогов. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; максимальная длина контекста составляет 2048 токенов. В версии 1.2 использовано на 20% больше данных и вдвое больше времени обучения, чем в версии 1.1. README приводит результаты оценки на задачах ARC и HellaSwag. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или иной неподходящий контент; её автор характеризует её как неограниченную по содержанию. Лицензия — Llama 2 License.

Это неофициальная конверсия Chandra OCR 2 от Datalab в формат GGUF с точностью BF16 для запуска через llama.cpp. Веса модели и проектор зрения сохранены в BF16; неиспользуемая черновая MTP-голова удалена. Конверсия проверена на одной AMD Radeon RX 9070 XT с 16 ГБ памяти, но формат GGUF не привязан к RDNA 4, и работа на другом оборудовании не подтверждена этой карточкой. Модель принимает изображения и предназначена для распознавания текста и структуры документов, включая PDF, с выдачей результата в текстовых форматах вроде Markdown, HTML или JSON. В README перечислены проверки на изображениях, PDF, финансовых таблицах и рукописных документах. Это перенос формата, а не дообучение или улучшение качества OCR; лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели и файлами репозитория.

Marco-Mini-Base — компактная разреженная мультиязычная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, следование инструкциям и использование интерфейса вызова инструментов. Модель построена на декодерном Transformer с разреженными слоями Mixture-of-Experts и архитектурой Qwen3 MoE. В README указаны 17,3 млрд параметров всего и 0,86 млрд активируемых на токен; метаданные Hugging Face указывают 507,9 млн параметров, поэтому размер модели в источниках расходится. Контекст составляет 32 768 токенов. Модель поддерживает 29 языков, в том числе русский, английский и китайский. README сообщает о сравнительных результатах на англоязычных и мультиязычных бенчмарках, но приведённые таблицы содержат только часть результатов. Модель описана как upcycling-вариант Qwen3-0.6B-Base с разбиением матриц на подматрицы и Drop-Upcycling. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Показатели качества основаны на бенчмарках из карточки; они не гарантируют результат для конкретного приложения.

Unlimited-OCR-Community-FP8-Dynamic — неофициальная общественная FP8-квантизованная версия модели baidu/Unlimited-OCR, разработанной Baidu. Квантизацию выполнила ShadowRock, автор — Matt Busi. Модель предназначена для OCR и структурированного разбора документов по изображениям, включая счета, служебные записки и табличные отчёты, с поддержкой координат областей текста. Это мультимодальная vision-language модель размером 3,34 млрд параметров с MoE-архитектурой в стиле DeepSeek-V2. Она использует визуальный тракт на базе SAM-ViT-B и CLIP-L DeepEncoder с проектором, а также текстовый декодер. Применена схема FP8_DYNAMIC W8A8: веса линейных слоёв текстового декодера квантизованы в FP8, активации масштабируются динамически; визуальный тракт, эмбеддинги, выходная голова, маршрутизаторы MoE и нормализации сохранены в BF16. Заявлена мультиязычность, однако конкретный перечень языков и размер контекста в README не указаны. Основные преимущества версии — уменьшение размера чекпойнта с 6,7 до 3,9 ГБ и поддержка нативного FP8-выполнения на GPU Ada, Hopper и Blackwell. На небольшом наборе синтетических документов результаты жадного OCR совпали с BF16-базой посимвольно: CER составил 0,0 для всех тестовых примеров. Измеренная скорость декодирования — около 39,4 токена в секунду на RTX 5070 Ti с vLLM 0.26.0, что ниже показателя BF16 45,3 токена в секунду. Полноценные гарантии качества на реальных данных, ограничения по разрешению, контексту и языкам README не описывает. Модель распространяется по лицензии MIT. Это community-сборка, не официальный релиз Baidu; изменена числовая точность весов текстового декодера, поэтому совместимость и качество следует проверять в целевой конфигурации. Для запуска указана интеграция с Transformers и vLLM, требуется разрешение удалённого кода.

Это дообученная модель tiennvcs на основе microsoft/layoutlmv2-base-uncased для ответов на вопросы по документам. Она принимает изображение документа, распознанный текст и его координаты, а затем находит ответ на вопрос в содержимом документа. Модель построена на архитектуре LayoutLMv2, содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для извлечения сведений из форм, счетов и других документов с заданными вопросами. В карточке приведено значение функции потерь 1,194 на оценочном наборе, но набор данных и подробности обучения не описаны. Использование распространяется по лицензии CC BY-SA 4.0.

HPD-Parsing — модель PaddlePaddle для разбора документов, дообученная на базе InternVL3.5-1B. Она принимает изображения страниц и формирует текстовое представление их структуры и содержимого, включая локализованный разбор областей страницы. Модель использует архитектуру InternVL с 1 млрд параметров и динамическое разбиение изображения на тайлы размером 448×448, до 24 тайлов. Иерархическое параллельное декодирование разделяет работу между ветвью общей структуры страницы и параллельными ветвями содержимого; P-MTP ускоряет генерацию нескольких токенов за шаг. В README заявлены результат 94,91% на OmniDocBench v1.6 и пиковая скорость 4 752 токена в секунду; эти показатели относятся к описанным авторами условиям оценки. Карточка указывает английский и китайский языки. Для инференса README описывает специализированную сборку vLLM, а также поддержку через Transformers для одного изображения и размера пакета 1. Модель распространяется по лицензии Apache-2.0.

Gigaberg-Mistral-Large-123B — дообученная языковая модель на архитектуре Mistral, созданная nbeerbower на основе mistralai/Mistral-Large-Instruct-2411. Модель содержит 122,2 млрд параметров и принимает текстовые запросы для генерации ответов и ведения диалога; заявленная длина контекста — 131 072 токена. Модель обучена методом ORPO в течение одной эпохи на наборах jondurbin/gutenberg-dpo-v0.1, nbeerbower/gutenberg2-dpo и nbeerbower/gutenberg-moderne-dpo. Она предназначена для текстовых диалогов и генерации текста с поведением, скорректированным этими данными. Веса опубликованы в формате Safetensors для Transformers. Лицензия указана как other; конкретные условия следует проверять в карточке модели и у базовой модели.

Jina AI выпустила совместимую с vLLM версию Jina Embeddings v4 — мультимодальной многоязычной модели для поиска по визуальным документам. Веса адаптера text-matching объединены с базовыми весами Qwen2.5-VL; модель насчитывает 3,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для мультимодального сопоставления текстовых запросов с визуальными документами и их поиска. Версия с объединённым адаптером обеспечивает совместимость с vLLM без отдельной обработки адаптера. Сведения о лицензии и конкретных ограничениях применения в предоставленных данных отсутствуют.

SkyworkVL-38B — мультимодальная чат-модель семейства Skywork, разработанная командой Skywork и дообученная на базе OpenGVLab/InternVL2_5-38B. Модель содержит 38 млрд параметров и предназначена для диалога с изображениями и решения задач визуального анализа. В README описаны обучение на 2 млн примеров с подписями и вопросами, многоэтапная настройка и дополнительное обучение на данных с пошаговыми рассуждениями. Модель обрабатывает изображения в нескольких разрешениях и поддерживает визуальные вопросы и ответы, OCR, анализ диаграмм и научных изображений, а также задачи по математике и другим учебным дисциплинам. В карточке приведены результаты на MathVista, MMMU, AI2D, OCRBench, MME, RealWorldQA и HallusionBench. Для запуска README приводит пример с Transformers и bfloat16; интерфейс включает чат и tool calling. Модель опубликована в формате safetensors по лицензии Apache-2.0. Заявленные в README преимущества относятся к визуальному анализу и рассуждениям, однако приведённые таблицы сравнивают базовые модели и не показывают отдельные численные результаты SkyworkVL-38B. Для запуска может потребоваться значительный объём вычислительных ресурсов из-за размера в 38 млрд параметров.

Thomson-1.0-Small-GGUF — квантизированная версия модели Thomson-1.0-Small, разработанной Thomson Reuters и подготовленной сообществом bartowski в формате GGUF для запуска через llama.cpp. Модель содержит около 35 млрд параметров и относится к мультимодальным моделям: принимает текст и изображения при наличии файла mmproj. Поддержка спекулятивного декодирования отсутствует; при квантизации использовалась imatrix. Модель предназначена для задач генерации и обработки текста, а также сценариев, где требуется анализ изображений вместе с текстовыми запросами. Доступны варианты квантизации от BF16 и Q8_0 до более компактных IQ3 и Q3, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Рекомендуемым универсальным вариантом указан Q4_K_M размером около 21,39 ГБ; более качественные варианты требуют до 30–37 ГБ, а полная версия BF16 — около 69,38 ГБ. README не содержит сведений об архитектуре, поддерживаемых языках или размере контекстного окна, поэтому эти характеристики нельзя определить достоверно. Качество зависит от выбранного уровня квантизации: старшие варианты обеспечивают более высокую точность, а компактные требуют меньше памяти, но могут заметнее снижать качество. Модель распространяется по лицензии PolyForm Strict 1.0.0; конкретные условия использования следует проверять в тексте этой лицензии.

Trendyol-LLM-7b-chat-v0.1 — чатовая версия генеративной языковой модели, разработанной Trendyol и архивированной VeriPazarı. Это авторегрессионная плотная трансформерная модель семейства LLaMA, дообученная с помощью LoRA на наборе из 180 тысяч инструкций. Модель содержит 6,7 млрд параметров, принимает и генерирует текст, поддерживает чатовый режим и имеет контекст длиной до 4096 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на турецком и английском языках. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Авторы предупреждают, что ответы могут содержать ошибки, предвзятость или токсичный контент, а надёжность модели в реальных приложениях широко не проверялась.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

DIVER-GroupRank-32B — ранжировщик текстовых фрагментов, обученный авторами работы GroupRank с применением обучения с подкреплением. Модель основана на Qwen/Qwen2.5-32B-Instruct и использует архитектуру Qwen2ForCausalLM с 32 млрд параметров. При ранжировании она получает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и генерирует оценки релевантности для отдельных фрагментов. Модель предназначена для переранжирования результатов информационного поиска, в том числе запросов, требующих рассуждений. Авторы сообщают о результатах на тестах BRIGHT и R2MED и о способности переносить качество на классические задачи поиска. Заявленная в README длина контекста — 40 тысяч токенов; в метаданных каталога указано 32 768 токенов. Поддерживаются китайский и английский языки. Доступны веса в формате safetensors, библиотека — Transformers. Модель подходит для уточнения порядка найденных документов после первичного поиска. Для скоринга она генерирует текстовые оценки, поэтому её применение требует настройки формата входа и обработки выходов; подробности использования и требования к оборудованию в предоставленной карточке не раскрыты. Лицензия — Apache-2.0.

Joemgu/mlong-t5-base-sumstew — модель суммаризации на архитектуре LongT5, разработанная автором репозитория и дообученная на наборе данных Joemgu/sumstew. Она принимает документ с инструкцией «Summarize:» или «Write a title and summarize:» и генерирует краткое изложение либо заголовок вместе с изложением. Модель содержит 296 млн параметров, принимает текст с контекстом до 4096 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Модель подходит для сокращения длинных текстов и автоматической подготовки заголовков с кратким содержанием. В метаданных перечислены английский, немецкий, французский, итальянский и испанский языки. Лицензия Apache-2.0 разрешает использование, изменение и распространение при соблюдении её условий. Качество результатов может зависеть от языка и тематики входного документа; отдельные оценки качества в карточке не приведены.

NABLA-VL — японская vision-language-модель компании NABLAS, созданная при финансовой поддержке GENIAC. Она дообучена на microsoft/phi-4 и визуальном энкодере SigLIP и предназначена для генерации текстовых ответов по изображениям, нескольким изображениям и видео. Модель подходит для визуальных вопросов и ответов, описания сцен и сопоставления сведений из нескольких визуальных материалов. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая JDocQA, JMMMU, MMMU и наборы VQA; тестирование проводилось с оценщиком gpt-4o-2024-11-20. Указаны японский и английский языки, а лицензия — Apache License 2.0. Размер модели и длина контекста в предоставленных данных не приведены.

Skywork-R1V-38B — мультимодальная модель Skywork для диалогового анализа изображений с пошаговым визуальным рассуждением. Она сочетает визуальный энкодер InternViT-6B-448px-V2_5 с языковой моделью DeepSeek-R1-Distill-Qwen-32B; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Карточка заявляет поддержку многошагового решения задач по изображениям, включая визуальную математику, научные и медицинские изображения, а также контекстное понимание текста и изображения. Метаданные отмечают диалоговый режим и интерфейс вызова инструментов. Лицензия репозитория — MIT. Карточка не приводит результаты оценивания в доступном тексте и не уточняет ограничения или поддерживаемые естественные языки, поэтому качество на конкретных типах изображений и языках по этим данным оценить нельзя.