IV.5Образование и развитие навыков

InternVL2-4B — мультимодальная инструктивно настроенная модель OpenGVLab для диалога по изображениям и тексту. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Phi-3-mini-128k-instruct; размер модели в карточке указан как 4,2 млрд параметров. Модель доступна через Transformers, веса опубликованы в формате Safetensors по лицензии MIT. Модель предназначена для понимания изображений и видео, ответов на вопросы о визуальном содержимом, чтения документов и диаграмм, OCR, решения научных и математических задач с изображениями. Она также принимает несколько изображений в одном запросе. Обучение проводилось с контекстом 8 тысяч токенов и данными с длинными текстами, несколькими изображениями и видео. Карточка сообщает о конкурентных результатах на тестах понимания документов, диаграмм, сценического текста и видео, но эти оценки зависят от конкретных бенчмарков и не гарантируют качество в каждом сценарии. Для видео в описанных тестах использовалось извлечение 16 кадров с изменением размера до 448×448; это не свидетельствует о полноценной обработке непрерывного видеопотока. В метаданных отмечена многоязычность, но конкретный перечень языков не приведён.

Llama-3.1-8B-FixedReferenceNBPO — диалоговая языковая модель на архитектуре Llama, опубликованная организацией promotion. Это дообученная версия meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров, предназначенная для генерации текста и общения в формате чата. В названии NBPO и тегах указана многокритериальная оптимизация предпочтений. Модель принимает текст и выдаёт текст; её контекстное окно составляет 131 072 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Llama 3.1 Community License. README не содержит дополнительных сведений о методе обучения или оценке качества.

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.

Mohamed-Gamil/multilingual-e5-small-JapaneseTeacher — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов предложений и абзацев. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Максимальная длина последовательности — 512 токенов; число параметров — 124,3 млн. Модель предназначена для семантического поиска и сопоставления текстов, включая оценку сходства, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. В README указаны английский язык и обучающие пары anchor-positive; примеры обучающих данных содержат японский текст и грамматические пояснения, поэтому возможна специализация на сопоставлении японских учебных материалов, но её охват не подтверждён отдельным описанием. Доступна по лицензии Apache-2.0.

Qwen2-VL-2B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная командой Qwen. Это квантованная версия модели Qwen2-VL-2B-Instruct с примерно 2 млрд параметров, предназначенная для задач image-text-to-text: анализа изображений и видео, визуального ответа на вопросы, работы с документами, распознавания текста на изображениях и диалога по визуальному содержимому. Модель поддерживает изображения произвольного разрешения и соотношения сторон благодаря динамическому представлению визуальных токенов, а также видео длительностью более 20 минут. Архитектура использует Multimodal Rotary Position Embedding (M-ROPE), разделяющий позиционную информацию для текста, двумерных изображений и трёхмерного видео. Заявлена поддержка английского и китайского языков, а также текстов на изображениях на большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Модель может применяться в визуальном анализе, Document VQA, математических задачах по изображениям, видеоаналитике и сценариях управления устройствами. Ключевое преимущество версии AWQ — сниженное потребление памяти по сравнению с BF16 за счёт квантования, что упрощает локальный запуск. При этом квантование может немного снижать точность: в приведённых тестах AWQ получила 41,33 на MMMU, 86,96 на DocVQA, 71,64 на MMBench и 39,90 на MathVista. README не указывает точное максимальное окно контекста; в тестах использовались входы до 129024 токенов, но результаты производительности для AWQ приведены только до 30720 токенов. Модель распространяется по лицензии Apache-2.0.

StrangeMerges_2-7B-slerp — объединённая модель для генерации текста, созданная Gille методом SLERP с помощью LazyMergekit на основе Gille/StrangeMerges_1-7B-slerp и Keynote-Technology/KAI-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и общих языковых задач; в README приведены результаты оценки на задачах рассуждения и понимания текста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Tess-XS-v1-3-yarn-128K-Mistral-7B-Instruct-v0.2-slerp — диалоговая модель генерации текста, созданная MaziyarPanahi методом слияния Mistral-7B-Instruct-v0.2 и Tess-XS-v1-3-yarn-128K. В конфигурации указано слияние SLERP для слоёв 0–32 с сохранением весов в формате bfloat16; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для диалогов и ответов на инструкции в текстовом формате. Метаданные указывают контекст до 32 768 токенов, а название README отсылает к варианту Tess с контекстом 128K; фактическая длина контекста этого слияния в метаданных каталога указана как 32 768 токенов. Поддерживаемые языки явно не перечислены. Репозиторий распространяется по лицензии Apache-2.0. Данных о специальных ограничениях качества или безопасности в карточке нет; как и другие генеративные языковые модели, она может выдавать неточные или неподходящие ответы.

Calcium-Opus-14B-Elite-1M — плотная языковая модель семейства Qwen2, выпущенная prithivMLmods и дообученная на базе Qwen/Qwen2.5-14B-Instruct-1M. По метаданным, модель содержит 14 млрд параметров, использует Transformers и формат safetensors, а её нативный контекст составляет до 1,01 млн токенов. Карточка заявляет улучшения в рассуждениях, работе с длинным контекстом, математике и поддержке более 50 языков; также заявлены мультимодальные возможности для текста, изображений и табличных данных, однако метаданные подтверждают только задачу генерации текста. Модель предназначена для диалогов и генерации текста, включая анализ длинных материалов, ответы с подробными рассуждениями и работу с техническими, юридическими, медицинскими и финансовыми темами. В качестве сценариев карточка также называет клиентскую поддержку, перевод и анализ документов. Подтверждённый основной язык — английский; более широкая языковая и мультимодальная поддержка заявлена в README, но не отражена в метаданных. Для запуска на длинном контексте требуются значительные вычислительные ресурсы; карточка также предупреждает о возможной избыточности ответов в очень длинных творческих задачах и о смещениях на малоресурсных языках. Лицензия — Apache-2.0.

Hercules-3.1-Mistral-7B — дообученная Locutusque языковая модель на основе Mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и генерации текста, следования многошаговым инструкциям и работы с вызовами функций. Модель подходит для научных и технических чат-ботов, учебных помощников, а также генерации кода и сценариев, где инструменты вызываются через функции. В карточке заявлены знания по биологии, химии, физике, математике, медицине и информатике; обучающий набор Hercules-v3.0 объединяет данные из нескольких наборов инструкций и диалогов. README не уточняет поддерживаемые естественные языки; метаданные отмечают код. Модель распространяется по лицензии Apache-2.0. Возможны токсичные, предвзятые, фактически неверные или вводящие в заблуждение ответы, особенно в специализированных областях. Вызовы функций сами по себе не гарантируют безопасного выполнения действий: результаты модели следует проверять.

Mistral-Nemo-Instruct-2407-GGUF — это квантованная в формате GGUF версия инструкционной языковой модели Mistral Nemo Instruct 2407, разработанной Mistral AI. Квантование выполнено bartowski на основе llama.cpp; LM Studio представляет модель как общественную модель сообщества, но не является её создателем или владельцем. Модель предназначена для генерации текста и выполнения инструкций, включая многоязычные сценарии. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель обучалась с контекстом до 128 тысяч токенов; использование контекста большего размера возможно, но может приводить к снижению качества. Сведения о числе параметров, конкретной архитектуре, модальностях помимо текста и требованиях к оборудованию не указаны. К сильным сторонам относятся многоязычность, большой контекст и формат GGUF, ориентированный на запуск с помощью llama.cpp и совместимых приложений. Ограничения включают возможное ухудшение качества при превышении обученного размера контекста, а также риск неточных, вредных или неподходящих ответов, характерный для подобных моделей. В карточке указана лицензия Apache-2.0.

unsloth/Qwen3-VL-8B-Thinking-1M-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-8B-Thinking, подготовленная Unsloth на базе Qwen/Qwen3-VL-8B-Thinking. Модель предназначена для задач «изображение-текст»: анализа изображений и видео, генерации текста, визуального рассуждения, OCR, пространственного понимания и мультимодальных задач в STEM и математике. Thinking-редакция ориентирована на более глубокое рассуждение и доказательные ответы. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает текст, изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с длинными документами и многочасовыми видеозаписями. Среди архитектурных улучшений указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения признаков разных уровней Vision Transformer и выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — визуальное восприятие, анализ пространственных отношений и видео, распознавание текста в сложных условиях, мультимодальное рассуждение, а также возможности visual agent для взаимодействия с графическими интерфейсами и инструментами. Ограничения включают высокие требования к вычислительным ресурсам при работе с длинным контекстом, изображениями и видео, а также зависимость качества и совместимости от GGUF-квантизации и используемого движка. Для llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Лицензия — Apache-2.0.

TheProfessor-155b — разговорная языковая модель, созданная Eric Hartford при участии Weyaxi, Charles Goddard и команды Generative AI AbacusAI. Это слияние предварительно обученных моделей семейства Llama, выполненное методом linear merge с помощью mergekit; после слияния модель не дообучали. В состав вошли модели для диалога, математики, медицины и научных задач. Модель содержит 154,3 млрд параметров, принимает текст и использует формат диалога ChatML; заявленная длина контекста — 4096 токенов. Модель предназначена для диалога, рассуждений и совместной работы над научными и математическими задачами: от обсуждения концепций до помощи с кодом, написанием и редактированием статей. Её также можно использовать для медицинских вопросов и исследовательского мозгового штурма. Модель выдаёт текст; README не указывает отдельный перечень поддерживаемых естественных языков. Модель распространяется по лицензии Llama 2. Качество ответов и надёжность фактов README не характеризует; медицинские ответы следует проверять, а генерацию цитат и научных сведений — сверять с первоисточниками.

CatMarcoro14-7B-slerp — объединённая языковая модель на основе Mistral, созданная с помощью LazyMergekit путём слияния cookinai/CatMacaroni-Slerp и EmbeddedLLM/Mistral-7B-Merge-14-v0.2 методом slerp. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая ответы на запросы и решение задач на рассуждение. В README приведены результаты Open LLM Leaderboard: средний балл 73,25, включая 69,37 на AI2 Reasoning Challenge и 86,92 на HellaSwag. Модель принимает и генерирует текст; контекстное окно — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

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.

Moonlight-16B-A3B-Instruct — чат-модель семейства Moonlight, разработанная MoonshotAI. Это instruction-tuned вариант модели с архитектурой Mixture-of-Experts: 16 млрд параметров всего и около 3 млрд активных при генерации. Метаданные Hugging Face классифицируют её как DeepSeek V3 и указывают библиотеку Transformers; модель распространяется в формате safetensors. Модель предназначена для диалогов и генерации текста по инструкциям. В карточке авторов Moonlight описана как обученная на 5,7 трлн токенов; длина контекста составляет 8K токенов. Авторы сообщают об улучшенной эффективности обучения Muon по сравнению с Adam, однако эти сведения относятся к результатам исследовательской работы и не гарантируют качество на каждом прикладном сценарии. Модель выпущена под лицензией MIT. В карточке не приведены конкретные ограничения качества или перечень поддерживаемых естественных языков; применимость в узких областях следует проверять отдельно.

NaijaVox-V1 — модель распознавания речи от Axiveri, дообученная методом LoRA на базе OpenAI Whisper-large-v3 для нигерийских языков и акцентов. Она преобразует аудио в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском варианте английского; для йоруба заявлена поддержка диакритических знаков. Репозиторий содержит веса в формате Safetensors и расширенный токенизатор с новыми языковыми токенами. Модель предназначена для транскрибации речи в мобильных приложениях, банковском обслуживании, СМИ, здравоохранении, образовании и средствах доступности, а также для исследований распознавания малоресурсных языков Западной Африки. В README приведены результаты оценки на небольших тестовых выборках FLEURS и других наборах: например, WER составляет 16,8% для нигерийского пиджина, 21,1% для нигерийского английского и 28,8% для йоруба. Эти результаты не гарантируют аналогичного качества на других записях и условиях. Модель рассчитана на входное аудио и выдаёт текст. В карточке не приведены сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

NeuralHermes-2.5-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, созданная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и mlabonne/NeuralHermes-2.5-Mistral-7B. Это плотная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в формате диалога; максимальный контекст составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не уточняет поддерживаемые естественные языки или специализированные области применения. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Качество ответов может варьироваться в зависимости от запроса; отдельные ограничения производительностью и поведением в README не описаны.

Penguin-VL-8B — компактная зрительно-языковая модель Tencent, построенная на базе Qwen3-8B и разработанная для обработки изображений, документов и видео вместе с текстом. Модель содержит около 7,6 млрд параметров и использует архитектуру PenguinVLQwen3ForCausalLM: визуальный энкодер, инициализированный текстовой моделью Qwen3-0.6B, лёгкий MLP-проектор и языковую основу Qwen3. Для понимания видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых запросов по визуальному содержимому: ответов на вопросы по изображениям и видео, OCR, анализа диаграмм и документов, а также мультимодальных рассуждений. В README сообщается о конкурентных результатах на тестах для изображений, документов, OCR, математики и видео; контекст составляет 40 960 токенов. Метаданные указывают английский язык, библиотеку Transformers и лицензию Apache-2.0. Хотя README описывает визуальные и видеовозможности, pipeline_tag и каталог классифицируют репозиторий как text-generation. Не следует считать приведённые результаты гарантией качества на произвольных данных; README не уточняет ограничения по разрешению, длительности видео и аппаратным требованиям.

BoreanGale-70B — языковая модель, созданная alchemonaut слиянием моделей 152334H/miqu-1-70b-sf и Sao10K/WinterGoddess-1.4x-70B-L2 с помощью алгоритма NearSwap. Алгоритм сохраняет большую часть весов Miqu и переносит отдельные веса к значениям WinterGoddess, если они достаточно близки; для этой версии использован порог t = 0,001. Модель основана на плотной архитектуре Llama и содержит 68,7 млрд параметров. Она предназначена для генерации текста, а контекстное окно составляет 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая средний балл 76,48 и оценки на задачах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате safetensors; сообщество также подготовило варианты GGUF. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели и лицензиям исходных моделей. README сообщает о быстром ухудшении качества при повышении порога NearSwap выше 0,0025; сведения о поддерживаемых языках и ограничения на использование не приведены.

ECE-TW3-JRGL-V3 — языковая модель на архитектуре Llama, созданная объединением моделей Tess-72B-v1.5b и Smaug-72B-v0.1 с помощью mergekit. Она предназначена для генерации текста, диалогов и ответов на вопросы, а также для общих сценариев работы с текстом. Модель содержит 71 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает и генерирует текст. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данные карточки не описывают отдельные ограничения или целевые языки модели.

MaziyarPanahi/Experiment28M7_Experiment24Inex12 — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment24Inex12-7B. Она предназначена для генерации текста и запуска сценариев на основе языковой модели. Модель содержит 7,1 млрд параметров, принимает текстовый ввод, выдаёт текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Доступные сведения не описывают специализированную область применения или отдельные языки, поэтому её можно характеризовать как модель общего назначения.

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.

Карточка модели Yukang/LongAlpaca-70B на Hugging Face совпадает с карточкой Yukang/LongAlpaca-13B, поэтому описание составлено по ней. LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

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.

T3qm7xNeuralsirkrishna_ShadowYamshadow — объединённая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Веса опубликованы в формате Safetensors по лицензии Apache 2.0. README не уточняет специализацию слияния или отдельные языки, поэтому модель можно описать как универсальную текстовую генеративную модель; её фактические качества зависят от задач и данных, использованных для создания исходных моделей.

Yarn-Solar-10b-32k — языковая модель NousResearch на архитектуре Llama с 10,6 млрд параметров, основанная на SOLAR-10.7B-v1.0. Авторы дополнительно обучили её на двух миллиардах токенов длинного контекста, применив метод YaRN для расширения контекстного окна до 32 768 токенов. Модель предназначена для генерации текста и работы с длинными входными материалами: например, для суммирования документов, ответов на вопросы по большим текстам и продолжения текста с учётом удалённых фрагментов. В карточке приведены оценки на тестах длинного контекста и стандартных языковых тестах; результаты относятся к указанным условиям оценки и не гарантируют качество на конкретных задачах. Модель распространяется в формате PyTorch и использует библиотеку Transformers. Для загрузки авторы указывают необходимость включить trust_remote_code и использовать актуальную версию Transformers. Лицензия — Apache-2.0.

Arcle V1 — мультимодальная базовая модель на 5,84 млрд параметров, разработанная Абхинавом Анандом в ArcleIntelligence. Она объединяет языковое и математическое рассуждение, обработку изображений и документов, распознавание и синтез речи, понимание видео и генерацию изображений в одной модели с единым проходом. В основе — гибридная архитектура Mamba-2 и причинного self-attention; заявленное окно контекста составляет 2 097 152 токена, из которых проверено 131 072. Метаданные указывают языки английский, хинди, испанский и французский. Модель рассчитана на локальный офлайн-запуск; README приводит требования около 24 ГБ видеопамяти или 24 ГБ системной памяти при запуске на CPU. Модель предназначена для диалогов, математических и общеобразовательных вопросов, работы с изображениями и документами, транскрипции и синтеза речи, понимания видео, а также генерации изображений. В README приведены результаты по распознаванию английской речи и извлечению текста из документов; при этом качество на сканах и многостраничных макетах заметно ограничено, а генератор изображений создаёт абстрактные композиции вместо точного изображения заданных объектов. Репозиторий распространяется по лицензии Apache-2.0.

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

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.

Karnak — арабско-английская разговорная языковая модель, разработанная Applied Innovation Center на основе Qwen/Qwen3-30B-A3B-Instruct-2507. Это причинная MoE-модель с расширенной глубиной, дополнительным обучением и токенизатором, оптимизированным для арабского языка. В метаданных указано 3,4 млрд параметров; README приводит оценку около 40 млрд после расширения глубины. Модель принимает инструкции и генерирует текст на арабском и английском языках; поддерживает контекст до 262 144 токенов по метаданным, при этом README рекомендует ограничивать рабочий контекст 20 000 токенами для стабильности. Karnak предназначена для диалогов, ответов на вопросы, объяснения тем, создания текстов, работы с длинными документами и исследовательскими материалами. README описывает многоэтапное обучение, включавшее расширение глубины, продолжение предобучения и дообучение с учителем, с целью улучшить следование инструкциям, беглость арабского текста и устойчивость ответов. Модель можно запускать локально или на собственных серверах, использовать через Transformers и vLLM, а также дообучать под конкретные задачи. Модель распространяется по лицензии Apache-2.0. Заявленные преимущества относятся прежде всего к арабской генерации и длинному контексту; README рекомендует не превышать 20 000 токенов для оптимальной стабильности, а отдельные гарантии фактической точности не приведены.