IV.5Образование и развитие навыков

Карточка модели chenQAQ/japanese-wav2vec2-large-rs35kh на Hugging Face совпадает с карточкой reazon-research/japanese-wav2vec2-large-rs35kh, поэтому описание составлено по ней. Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Llama-3-Typhoon-1.5X-70B-instruct — диалоговая языковая модель команды SCB 10X Typhoon, созданная на основе Llama 3 70B Instruct и Typhoon 1.5 70B с помощью редактирования модели методом task arithmetic. Это плотная decoder-only модель архитектуры Llama примерно на 69,5 млрд параметров; она принимает и генерирует текст, использует шаблон чата Llama 3 и поддерживает контекст до 8192 токенов. Модель рассчитана прежде всего на тайский язык, также поддерживает английский. Её предназначение — следование инструкциям, рассуждения, ответы на вопросы и применение в RAG-сценариях и генерации с заданными ограничениями. В карточке приведены результаты тестов ThaiExam, MMLU, MT-Bench и IFEval, включая оценки на тайском и английском. Разработчики отмечают экспериментальный характер модели и рекомендуют отдельно оценивать её риски для конкретного применения. Модель распространяется по лицензии Llama 3 Community License; для работы указана Transformers версии 4.38.0 или новее.

LLaVA-Phi-3-mini — мультимодальная модель семейства LLaVA, разработанная командой XTuner. Она дообучена на основе Microsoft Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP-ViT-Large-patch14-336. Обучение проводилось на наборах ShareGPT4V-PT и InternVL-SFT. Модель предназначена для анализа изображений и генерации текстовых ответов по визуальному содержимому: описания изображений, визуальных вопросов и ответов, распознавания текста и решения задач, связанных с пониманием сцен и документов. Архитектура включает CLIP-визуальный энкодер, MLP-проектор и языковую модель Phi-3-mini; разрешение изображений составляет 336 пикселей, а заявленный контекст — 4096 токенов. Доступны варианты GGUF с точностью FP16 и INT4, совместимые с llama.cpp и Ollama. К сильным сторонам относятся сравнительно компактная языковая основа, поддержка мультимодального диалога и хорошие результаты на ряде тестов понимания изображений, включая MMMU, ScienceQA, HallusionBench и POPE. Ограничения включают зависимость качества от используемого визуального энкодера, возможные ошибки при интерпретации изображений и снижение точности в INT4-варианте по сравнению с FP16. Лицензия в README не указана.

M7Yamshadowexperiment28_MeliodasNeuralsirkrishna — объединённая модель Mistral с 7,1 млрд параметров, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/MeliodasNeuralsirkrishna-7B. Веса объединены методом SLERP; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не заявлены специализированные области применения или конкретные языки. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает результаты оценки качества или отдельные ограничения модели.

Meltemi 7B v1.5 — базовая языковая модель на 7,2 млрд параметров, разработанная Институтом обработки языка и речи (ILSP) Центра исследований и инноваций Athena. Она основана на Mistral 7B и продолжила его предобучение на корпусе примерно из 55 млрд токенов, преимущественно на качественных греческих текстах, с английскими текстами и греко-английскими параллельными данными для сохранения двуязычных возможностей. Для греческого языка расширен словарь токенизатора Mistral: по данным авторов, это сокращает число токенов на слово и ускоряет инференс. Модель предназначена для генерации текста, ответов на вопросы и рассуждений, особенно на греческом; также поддерживает английский. Авторы сообщают об улучшении средних результатов на шести греческих тестовых наборах по сравнению с Mistral 7B. В README указано контекстное окно 8192 токена, тогда как метаданные каталога приводят native_context_tokens 32768; фактический предел следует уточнить для используемой конфигурации. Для корректной токенизации промпта авторы рекомендуют включать BOS-токен. Модель распространяется по лицензии Apache-2.0. Она может выдавать вводящие в заблуждение, вредоносные или токсичные ответы; результаты бенчмарков сами по себе не гарантируют качество в конкретном приложении.

MotherEarth-1.14-8B — слитая языковая модель семейства Llama, созданная разработчиками MotherEarth с помощью mergekit. Веса двух предварительно обученных моделей, MotherEarth-1.13-8B и MotherEarth-Proverbs-8B, объединены методом SLERP; в карточке указана архитектура LlamaForCausalLM и размер 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — Transformers. Данные не сообщают о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана. Характеристики качества, конкретная языковая поддержка и ограничения применения не описаны.

Piyola-v1 — модель автоматического распознавания речи на узбекском языке, созданная дообучением Whisper Large V3 Turbo. Она принимает аудио и преобразует речь в текст; подходит для транскрибации узбекских записей. Модель основана на архитектуре Whisper, содержит около 905,2 млн параметров и опубликована в формате safetensors с точностью BF16. Лицензия — Apache-2.0.

Qwen2.5-R1-Minny-1.5B-v2 — экспериментальная компактная языковая модель на 1,5 млрд параметров от ForSureTesterSim для генерации текста, математических рассуждений, написания кода и диалогового следования инструкциям. README описывает слияние специализированных моделей для кода, математики и диалога на основе DeepSeek-R1-Distill-Qwen-1.5B; в метаданных базовой моделью указана deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Архитектура — плотная Qwen2, формат весов — safetensors, контекст — до 131 072 токенов. Модель рассчитана на английский язык и использует формат диалога Qwen ChatML; для сложных рассуждений README указывает на использование Chain-of-Thought. Она подходит для ответов на математические задачи, генерации программного кода и диалогового помощника с рассуждениями. README заявляет экспериментальное слияние экспертов, но не приводит независимых оценок качества, поэтому заявленное преимущество слияния нельзя считать подтверждённым. Лицензия — Apache-2.0.

sci4ai/Qwen2.5-VL-7B-Instruct-Ablit — мультимодальная модель для диалога и анализа изображений, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель принимает текст и изображения и формирует текстовые ответы; в README также указана возможность анализа видео как характеристика базовой модели. Веса изменены методом abliteration: из текстового декодера удалено одно направление отказа, вычисленное по активациям на вредоносных и безвредных текстовых запросах. Визуальный энкодер не менялся, поэтому авторы сообщают о сохранении возможностей понимания изображений. Модель подходит для визуальных вопросов и ответов, описания изображений и извлечения сведений из документов, однако редактирование может ослабить следование инструкциям. Abliteration не добавляет новых знаний и навыков, а ответственность за безопасное применение лежит на развёртывающей стороне. Лицензия в предоставленных данных не указана.

Карточка модели allenai/SAGE-MM-Qwen3-VL-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Whisper Medium Korean — модель распознавания речи, полученная дообучением OpenAI Whisper Medium на корейских наборах данных Junhoee/STT_Korean_Dataset_80000 и Bingsu/zeroth-korean. В обучающей выборке было около 102 тысяч предложений; автор сообщает, что итоговый чекпойнт достиг примерно 16 WER против примерно 24 WER дообученной отправной точки. Модель предназначена для преобразования корейской речи в текст. Это плотная модель архитектуры Whisper с 455,8 млн параметров; в метаданных указана поддержка аудиовхода. Репозиторий помечен лицензией Apache-2.0. Показатель WER приведён автором без подробностей о наборе и методике оценки, поэтому он не гарантирует аналогичное качество на других записях.

Audio Flamingo Next Captioner — модель NVIDIA для подробного описания длинных аудиозаписей с речью, окружающими звуками и музыкой. Она формирует развернутые подписи, сводки и описания событий с временными метками, а также может включать точную расшифровку речи нескольких говорящих. Модель принимает аудио длительностью до 30 минут; процессор ожидает монофонический звук с частотой 16 кГц и обрабатывает его окнами по 30 секунд. Архитектура сочетает аудиокодировщик AF-Whisper, адаптер MLP, текстовую основу семейства Qwen2.5 с расширенным контекстом и RoTE для привязки к временным отметкам. В метаданных указаны архитектура MusicFlamingo, библиотека Transformers и формат safetensors; карточка описывает контекст до 128K токенов, тогда как метаданные указывают 1200 токенов. Модель предназначена для плотных, связных описаний и сводок аудио, разбивки сцены по времени и описания речи, звуковых событий и фона. Она может быть многословной и ориентирована на подписи, а не на поведение ассистента; для диалоговых ответов и явных рассуждений автор рекомендует другие варианты семейства. Ограничения включают неравномерное покрытие языков и предметных областей, слабое представление низкоресурсных языков и редких событий, а также трудности рассуждений по разреженным данным на большом временном интервале. Лицензия — other; автор указывает, что модель предназначена только для некоммерческих исследований.

MaxMin-RLHF на TL;DR — диалоговая языковая модель на архитектуре Llama, дообученная методом MaxMin-RLHF на базе meta-llama/Llama-3.1-8B-Instruct. Разработчик применил алгоритм из работы Chakraborty et al. (ICML 2024): три чередующихся раунда по 100 обновлений, в каждом оптимизировалась цель с наименьшей стандартизованной относительно базовой политики полезностью. Обучение использовало датасет TL;DR и четыре цели: полноту, фактическую точность, краткость и полезность. Модель предназначена для генерации текста и ответов в диалоге, в частности для создания кратких, содержательных и точных резюме. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и библиотека Transformers. Модель принимает текст и генерирует текст; языки, на которых она специально обучалась в этой версии, отдельно не уточнены. Это экспериментальный исследовательский чекпойнт для оценки многоцелевого согласования, а не самостоятельное подтверждение качества для любых сценариев. Результаты в README описаны как сравнение с базовой моделью на отложенных промптах TL;DR, оценённых Llama-3.3-70B-Instruct. Лицензия — Llama 3.1; применяются её условия использования.

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

NB-Whisper Tiny beta — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper и дообученная от openai/whisper-small. В метаданных указано 29,4 млн параметров; README приводит для Tiny 39 млн, поэтому размер зависит от источника. Модель принимает аудио и преобразует его в текст. Она предназначена для распознавания норвежской речи, включая букмол и нюнорск, а также английской речи; обучение охватывало около 20 000 часов размеченных данных. Модель особенно ориентирована на транскрибирование норвежской речи и, по заявлению разработчиков, показывает высокие результаты среди ASR-моделей сопоставимого размера. Вывод обычно представляет собой отредактированный письменный текст, а не дословную расшифровку: возможны пропуски фрагментов и галлюцинации, в том числе из-за влияния обучающих субтитров. Это публичная бета, не предназначенная для производственного применения без отдельной оценки рисков. Лицензия — CC BY 4.0.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT_RL на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SejongKRX/Sejong-Qwen-v3 — языковая модель, разработанная SejongKRX и дообученная на базе SejongKRX/Sejong-Qwen-v1. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста. Для обучения использовались Unsloth и Hugging Face TRL; длина контекста составляет 131 072 токена. В набор данных вошли материалы Wikipedia, публичные данные Банка Кореи и mlabonne/open-perfectblend. Модель можно применять для диалогов, ответов на вопросы и создания текстов на корейском и английском языках. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия модели — Apache 2.0; условия лицензирования отдельных источников данных различаются.

Tess-34B-v1.4 — универсальная большая языковая модель семейства Tess, опубликованная migtissera. Она дообучена на базе Yi-34B-200K и предназначена для генерации текста и диалоговых сценариев. Модель использует плотную архитектуру LlamaForCausalLM, содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Карточка описывает общий профиль модели, без специализации на конкретной предметной области. Для диалога приведён формат с ролями SYSTEM, USER и ASSISTANT. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнять по полным сведениям репозитория.

YamshadowInex12_Strangemerges_32Experiment26 — слитая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает запросы на естественном языке; заявленная длина контекста — до 32 768 токенов. Модель объединяет automerger/YamshadowInex12-7B и automerger/Strangemerges_32Experiment26-7B. Её можно использовать для диалогов и создания текстовых ответов. README и метаданные не уточняют поддерживаемые языки или специализацию модели. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

sachmatkris/agirdi — модель автоматического распознавания литовской речи, разработанная sachmatkris на основе дообучения openai/whisper-large-v3-turbo. Она предназначена для преобразования литовской речи в текст, включая чтение вслух и спонтанную речь. Модель использует архитектуру Whisper и была дообучена на поднаборах read и spon литовского речевого корпуса LIEPA-3. По данным карточки, Word Error Rate составляет 3,05% на тестовой выборке LIEPA-3 и 10,50% на FLEURS Lithuanian. Репозиторий содержит веса safetensors, а лицензия модели — MIT; корпус LIEPA-3 распространяется по лицензии CC BY 4.0. Модель специализирована на литовской речи. Качество может меняться в зависимости от записи, фонового шума, особенностей говорящего и диалекта, а также терминологии предметной области; модель наследует ограничения и возможные смещения Whisper и обучающих данных.

ArmenianGPT v1.0-3B — открытая по весам языковая модель для генерации текста, разработанная Александром Баграмяном и представленная проектом ArmGPT. Модель ориентирована прежде всего на армяноязычное сообщество и предназначена для развития экосистемы больших языковых моделей в Армении. Заявлена поддержка армянского, английского и русского языков. Модель подходит для локального офлайн-использования: ответов на вопросы по документам, суммирования текстов, перевода и языковой поддержки, создания и перефразирования текстов, а также задач, требующих анализа и рассуждений на основе предоставленного контекста. Локальная работа позволяет не передавать пользовательские данные во внешние сервисы. Доступны варианты с разным уровнем квантования: F16 размером около 8 ГБ, Q8_0 около 4 ГБ и Q4_K_M около 2,5 ГБ; запуск возможен с использованием оперативной памяти или видеопамяти. Ключевое ограничение модели — небольшой размер относительно коммерческих LLM, поэтому она не предназначена для конкуренции с крупными системами общего назначения. В указанной версии модель не сохраняет историю диалога, и каждый запрос обрабатывается как новый разговор. Она также может генерировать неточную, вредную или вводящую в заблуждение информацию. Модель распространяется по специальной лицензии armeniangpt-license-1.0; условия использования приведены в файле LICENSE.

CAG-7b — плотная языковая модель семейства Llama, разработанная для генерации ответов с учётом достоверности сведений в контексте. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекст до 4096 токенов; карточка описывает её как 7B-модель. В метаданных указаны английский язык и архитектура LlamaForCausalLM. Модель предназначена для ответов на вопросы по документам, в том числе содержащим шумные или противоречивые сведения. Заявленные сценарии включают персонализированную генерацию ответов и разрешение конфликтов знаний; оценивание проводилось для вопросов по открытым, актуальным и загрязнённым дезинформацией данным. Модель распространяется по лицензии MIT. Ключевая особенность CAG — настройка на использование сигналов достоверности из контекста при генерации. Результаты и устойчивость могут зависеть от качества и состава входных документов; указанное контекстное окно ограничено 4096 токенами.

CapRL-Eval-3B — мультимодальная модель InternLM для ответов на вопросы по подписям к изображениям. Это дообученная версия Qwen2.5-VL-3B на основе подхода CapRL, который использует обучение с подкреплением и проверяемыми наградами; в карточке указаны архитектура Qwen2.5-VL и 3,1 млрд параметров. Модель принимает изображения и текст, формирует текстовые ответы и рассчитана на контекст до 128 000 токенов. Модель предназначена для визуальных вопросов и ответов, включая задачи по диаграммам, инфографике и документам; README отмечает более устойчивое форматирование ответов в ChartQA. Обучение на тщательно отфильтрованном наборе из 75 тысяч пар вопросов и ответов направлено на подробные и структурированные описания изображений с меньшим числом галлюцинаций. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Заявления о сравнении качества с крупными моделями приведены авторами и не являются независимой оценкой.

Мультимодальная модель Mistral 3, дообученная ryfkn на основе nuresens/ministral-3b-cpt-merged. Она предназначена для диалоговых задач с изображениями и текстом: принимает текстовый запрос вместе с изображением и формирует текстовый ответ. В метаданных указаны архитектура Mistral3ForConditionalGeneration, поддержка vision и интерфейс вызова инструментов; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

Jebadiah/OpenBio-gem-p1 — языковая модель, созданная разработчиком Jebadiah путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована Jebadiah/gradient-1m-OpenBio-stone-l3-8b, также в слияние включена Jebadiah/dolphin-hermes-stone-l3-8b-1m. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; заявленное контекстное окно составляет 1 048 576 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает качество на отдельных задачах, языковой охват или ограничения. Информация о лицензии отсутствует в предоставленных данных.

Peagle-9b — объединённая разговорная языковая модель на архитектуре Mistral, опубликованная maxcurrent. Она создана с помощью VortexMerge kit методом passthrough из mlabonne/NeuralBeagle14-7B и eldogbbhed/NeuralPearlBeagle, с использованием диапазонов слоёв обеих моделей. Репозиторий содержит веса в формате safetensors; модель насчитывает 8,9 млрд параметров и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Её можно применять для ответов на вопросы, написания и редактирования текста, а также для других задач, где требуется генерация текста. Карточка не уточняет поддерживаемые естественные языки и не приводит специализированных областей применения. Модель доступна по лицензии CC BY-NC 4.0, которая допускает использование с указанием авторства, но ограничивает коммерческое применение. Качество и ограничения конкретных сценариев в карточке не описаны.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Это 8-битная версия Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community: исходную модель преобразовали в формат MLX с помощью mlx-vlm 0.1.11. Она принимает текст и изображения и предназначена для диалогового анализа визуального содержимого, включая ответы на вопросы по изображениям и генерацию текстовых ответов. Модель имеет плотную архитектуру Qwen2.5-VLForConditionalGeneration, около 71,5 млрд параметров и контекст до 128 000 токенов; заявлены чат и интерфейс вызова инструментов. Модель подходит для мультимодальных сценариев, где нужно сочетать текстовые запросы с изображениями. В карточке этой версии не приведены подробности об обучении, видеовозможностях или поддерживаемых языках сверх английского в тегах; сведения о применении и ограничениях следует сверять с карточкой исходной модели. Лицензия указана как other, поэтому условия использования нужно уточнить в оригинальной карточке Qwen/Qwen2.5-VL-72B-Instruct.

Qwen3-VL-8B-Instruct-MLX-6bit — 6-битная квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может применяться в сценариях, где требуется анализ визуального содержимого и взаимодействие с ним на естественном языке. Исходная модель имеет размер 8B параметров, однако README не содержит подробностей об архитектуре, поддерживаемых языках и размере контекстного окна. Ключевые преимущества версии — сниженное потребление памяти по сравнению с полноразмерной моделью и оптимизация для экосистемы Apple Silicon. Квантование может сопровождаться некоторой потерей точности, но конкретные результаты оценки не указаны. Модель распространяется по лицензии Apache-2.0.