IV.5Образование и развитие навыков

Occamy-1.0 APEX-I-MiniPlus-V2-GGUF — это квантованная мультимодальная версия модели Occamy-1.0, разработанной Accio-Lab и подготовленной в формате GGUF пользователем IsValorum. Модель предназначена для генерации текста, рассуждений, математических и логических задач, а также анализа изображений и оптического распознавания документов. В основе используется архитектура Qwen3_5MoeForConditionalGeneration с гибридным механизмом внимания, включающим рекуррентные слои DeltaNet и 256 микроэкспертов. На каждый токен активируется примерно 3,2 млрд параметров. Основной файл занимает 14,62 GB, или 13,62 GiB, и использует схему квантования с показателем 3,38 BPW. В комплект входит отдельный vision projector mmproj в формате Q8_0 размером 614 MB. Заявлена поддержка контекста до 256K токенов и работы в пределах 24 GB VRAM. Модель ориентирована на английский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. К сильным сторонам относятся сохранение F32 router gates, повышенная точность token output head за счёт Q6_K, защита attention gates в Q8_0 и использование не менее 3-битного квантования для ключевых экспертных блоков. Такая настройка должна обеспечивать лучшее качество и устойчивость по сравнению с плоскими 3-битными квантованиями и общими сборками APEX-I-Mini, особенно в задачах рассуждения и при работе с длинным контекстом. Ограничения связаны с потерями качества, присущими квантованной версии, значительными требованиями к памяти и необходимостью совместимого ПО, например llama.cpp. В README указана лицензия Apache-2.0.

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.

Molmo 7B-O — открытая мультимодальная модель семейства Molmo, разработанного Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описания, ответы на вопросы о содержимом изображения и результаты визуального анализа. Модель обучена на парных данных изображений и текста PixMo и использует языковую основу OLMo и визуальный энкодер OpenAI CLIP. Это предварительная версия Molmo с плотной архитектурой и 11,2 млрд параметров. Нативный контекст составляет 4096 токенов. В карточке приведены результаты на наборах для визуальных вопросов и ответов, понимания диаграмм и документов, распознавания текста на изображениях, математики и подсчёта объектов. Модель доступна в формате safetensors и предназначена для диалогового взаимодействия с изображениями. Модель опубликована под лицензией Apache-2.0. README предупреждает, что она может испытывать трудности с прозрачными изображениями; для корректной обработки изображения должны быть в RGB.

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.

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.

unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

Dolphin 2.9.2 Phi 3 Medium (Abliterated) — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и сообществом Cognitive Computations; подавление отказов выполнено FailSpy. Модель дообучена методом qLoRA на базе unsloth/Phi-3-mini-4k-instruct, а затем изменена для снижения частоты отказов. В метаданных указаны плотная архитектура MistralForCausalLM, 13,8 млрд параметров и контекст 4096 токенов; модель распространяется в формате safetensors. Модель предназначена для диалогов и выполнения инструкций, в том числе задач программирования и математики. В README также заявлены начальные агентные возможности и поддержка вызова функций; используется шаблон ChatML. В карточке указаны английский язык и наборы данных для инструкций, диалогов, кода и математики. MIT-лицензия. Модель специально настроена на более высокую готовность отвечать и может давать нежелательные ответы; авторы рекомендуют добавить собственный слой выравнивания перед предоставлением модели как сервиса. README предупреждает, что после изменения модели часть отказов базовой модели могла сохраниться.

Dolphin 3.0 Llama 3.2 3B — инструктивно дообученная языковая модель, созданная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на основе Meta Llama 3.2 3B. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов; веса доступны в формате Safetensors. Модель предназначена для локального использования как универсальный диалоговый помощник. Она подходит для генерации текста, программирования, математических задач и работы в агентных сценариях, включая интерфейс вызова функций. Для диалогов используется шаблон ChatML; системный промпт позволяет задавать тон и правила поведения. Обучение опиралось на наборы данных для инструкционного диалога, кода, математики и вызова функций. Модель рассчитана на текстовый ввод и выдаёт текст. В карточке указан английский язык. Количественные результаты оценки качества не приведены. Лицензия — Llama 3.2; условия использования определяются этой лицензией.

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.

Notbad v1.0 Mistral 24B — языковая модель для диалогов и генерации текста, разработанная на основе Mistral-Small-24B-Instruct-2501 и дообученная командой Notbad с помощью обучения с подкреплением на математических и программных задачах. Модель содержит 23,4 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Модель предназначена для решения математических задач, написания и анализа кода на Python, а также для получения более коротких и структурированных рассуждений в диалоге. В карточке приведены результаты сравнительных тестов по математике, программированию, общим знаниям и следованию инструкциям; они показывают сильные результаты на HumanEval и математическом бенчмарке, но более низкий результат на IFEval по сравнению с перечисленными моделями. Модель распространяется по лицензии Apache-2.0. Как и другие генеративные языковые модели, она может ошибаться в вычислениях и коде; результаты бенчмарков не гарантируют точность в конкретных задачах.

Ovis2.6-30B-A3B — мультимодальная большая языковая модель семейства Ovis, разработанная ATH-MaaS. Она предназначена для диалога и анализа изображений: отвечает на вопросы по документам и нескольким страницам, распознаёт текст, извлекает сведения из таблиц и диаграмм, а также рассуждает по визуальным данным. Модель использует архитектуру Mixture-of-Experts с 30 млрд параметров, из которых при генерации активны примерно 3 млрд. Карточка указывает контекст до 64 тыс. токенов и обработку изображений с разрешением до 2880×2880; метаданные каталога указывают контекст 262 144 токена. README описывает возможность активного анализа областей изображения, включая кадрирование и поворот, с помощью визуальных инструментов. Модель принимает текст и изображения и выдаёт текст. В карточке не перечислены поддерживаемые языки, поэтому языковые коды не указаны. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или нежелательного содержания.

Phi-3.5-MoE-instruct-4bit — это 4-битная квантизированная версия инструкционной языковой модели Phi-3.5-MoE, разработанной Microsoft и преобразованной сообществом mlx-community в формат MLX с использованием mlx-lm. Модель содержит около 4 млрд параметров, поддерживает архитектуру Mixture of Experts и распространяется для работы через библиотеку Transformers и инструменты MLX. Модель предназначена для генерации текста в диалогах, ответов на вопросы, выполнения инструкций и генерации кода. Она ориентирована на многоязычные сценарии и может использоваться в локальных приложениях, чат-ботах, помощниках разработчика и системах автоматизации работы с текстом. Максимальная длина контекста составляет 4096 токенов. Лицензия MIT допускает свободное использование при соблюдении её условий. 4-битное представление снижает требования к памяти и подходит для локального запуска, но может уступать полноразмерной версии по точности и качеству генерации.

wangkanai/qwen2.5-vl-7b-instruct — мультимодальная instruction-tuned модель семейства Qwen 2.5, опубликованная пользователем wangkanai. Она предназначена для анализа изображений и генерации текстовых ответов в сценариях визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа графиков и диаграмм, а также мультимодального диалога и других задач image-to-text. Модель построена на архитектуре Qwen2.5-VL с vision-language Transformer и ViT-ориентированным визуальным энкодером, содержит около 7 миллиардов параметров и принимает текст и изображения в форматах JPEG, PNG и WebP, возвращая естественный язык. Заявленная длина контекста составляет 4096 токенов с учётом текста и изображения. Доступны варианты FP16 SafeTensors и GGUF, включая квантованные Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сочетание визуального понимания, следование инструкциям и поддержка разнообразных мультимодальных задач. Ограничения включают относительно короткий заявленный контекст, зависимость требований к ресурсам от формата и возможные потери качества при квантовании. Это abliterated-версия с уменьшенными или удалёнными ограничениями на отказы, поэтому её ответы могут быть менее безопасными и требуют дополнительного контроля при использовании. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель, основанная на Qwen/Qwen2-VL-2B-Instruct и опубликованная Unsloth. Она предназначена для обработки изображений, видео и текста, визуального вопросно-ответного взаимодействия, анализа документов и сцен, а также сценариев, где требуется принимать решения на основе визуальной информации и текстовых инструкций. Модель содержит 2 миллиарда параметров и распространяется в 4-битном формате bnb. Она поддерживает динамическое разрешение изображений, преобразуя изображения в переменное число визуальных токенов, и использует Multimodal Rotary Position Embedding (M-ROPE) для обработки текстовых, двумерных визуальных и трёхмерных видеопозиционных данных. Заявлена поддержка понимания видео длительностью более 20 минут и распознавания текста на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Сильные стороны модели — сочетание компактного размера, 4-битного квантования и мультимодальных возможностей, включая анализ изображений высокого разнообразия разрешений и пропорций, документов и видео. Ограничения, включая возможные потери качества из-за квантования и отсутствие в карточке подробных характеристик контекстного окна, производительности и требований к оборудованию, следует учитывать при выборе модели. Модель распространяется по лицензии Apache-2.0.

MuXodious/gemma-4-26B-A4B-it-SOMPOA-heresy — дообученная версия Gemma 4 26B A4B IT, созданная автором MuXodious с помощью Heretic v1.2.0 и метода abliteration с Self-Organizing Maps и magnitude-preserving orthogonal ablation. Модель предназначена для диалогов и анализа изображений с выдачей текста; README описывает её как вариант с уменьшенным числом отказов. В испытаниях число отказов снизилось с 103 из 104 до 4 из 104, KL-дивергенция составила 0,1240. Это мультимодальная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и весами Safetensors. Она принимает текст и изображения и генерирует текст. README приводит для Gemma 4 26B A4B контекст до 256 тысяч токенов и поддержку множества языков; эти характеристики описывают базовое семейство, а не отдельную проверку данной дообученной версии. Карточка лицензирована по Apache-2.0. Автор отмечает, что модель может ошибочно срабатывать на дисклеймеры и рекомендует рассмотреть максимальную длину ответа 120–150 токенов. Показатели испытаний в карточке не заменяют независимую оценку качества; сниженное число отказов означает, что модель может отвечать на запросы, от которых базовая версия отказывалась.

Qwen-VL-Chat — диалоговая визуально-языковая модель семейства Qwen, разработанная Alibaba Cloud. Репозиторий содержит чат-версию модели с 11,4 млрд параметров; архитектура плотная, класс QWenLMHeadModel, формат весов — PyTorch, контекст — до 8192 токенов. Модель принимает изображения, текст и рамки объектов и выдаёт текст и рамки объектов. Поддерживает диалог на китайском и английском языках, в том числе с несколькими изображениями в переплетённом диалоге. Модель предназначена для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях, вопросов по документам и диаграммам, а также локализации объектов по текстовому описанию. В README описана версия Int4 на базе AutoGPTQ с меньшим потреблением видеопамяти и ускоренным выводом; метаданные этого репозитория указывают формат PyTorch. Лицензия в предоставленных данных не указана.

Qwythos-9B-PerfectSplit-CoT-GGUF — GGUF-квантование модели Qwythos-9B-Claude-Mythos-5-1M, подготовленное Aronstk15. Это разговорная модель для генерации текста, рассуждений и работы с длинным контекстом; карточка описывает смешанную точность: эмбеддинги, выходная голова и чувствительные компоненты внимания сохраняются в F16, а часть слоёв MLP сжимается. По заявлению автора, размер уменьшен примерно на 37% относительно исходной версии F16, до 10,88 ГБ, с приоритетом сохранения связности многошаговых рассуждений и извлечения информации из длинного контекста. Для запуска README приводит пример с llama.cpp; заявленная лицензия — Apache-2.0. Модель предназначена для диалоговой генерации, объяснений и анализа текста или данных, а также задач, где нужно учитывать большой объём предшествующего контекста. В метаданных указан базовый чекпойнт empero-ai/Qwythos-9B-Claude-Mythos-5-1M, описанный каталогом как дообученная на Qwen3.5-9B модель; исходная карточка заявляет контекст до 1 млн токенов, но конкретный доступный предел зависит от реализации и настроек запуска. Преимущество этой сборки — сохранение полной точности для выбранных чувствительных тензоров при сжатии менее чувствительных слоёв. Качество длинных рассуждений и контекстного извлечения описано автором как ожидаемое, без приведённых независимых результатов оценки. Модель распространяется по лицензии Apache-2.0.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, разработанная командой DeepSeek. Это вариант модели Mixture-of-Experts, построенный на DeepSeekMoE-3B; в README указано 1,0 млрд активируемых параметров. Модель принимает изображения вместе с текстовыми запросами и предназначена для понимания визуального содержимого.

FILM-7B — языковая модель на архитектуре Mistral, разработанная командой In2Training. Она получена дообучением Mistral-7B-Instruct-v0.2 методом Information-Intensive Training (In2) и предназначена для генерации ответов по заданным инструкциям и длинному контексту. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и работает с текстом на английском языке. Разработчики заявляют, что FILM-7B снижает проблему «потери информации в середине» длинного контекста, показывает высокие результаты на задачах анализа длинного контекста и сохраняет качество на коротких запросах. Репозиторий содержит веса в формате safetensors и шаблон диалога в стиле Mistral Instruct. Лицензия — Apache-2.0.

Llama-3-8B-Instruct-80K-QLoRA-Merged — диалоговая языковая модель семейства Llama 3, созданная namespace-Pt на основе Meta-Llama-3-8B-Instruct. Контекст модели расширен примерно до 80 тысяч токенов с помощью QLoRA и обучения на синтетических длинных примерах, после чего веса объединены с исходной инструкционной моделью. Архитектура — плотная авторегрессионная LlamaForCausalLM; в репозитории представлены веса Safetensors, размер модели — 7,5 млрд параметров. Модель предназначена для генерации ответов и работы с длинными текстами: поиска сведений в больших документах, ответов по нескольким источникам, суммаризации и задач с большим контекстом. README приводит результаты оценок на LongBench, InfiniteBench и тесте Needle-in-a-Haystack; это бенчмарки, а не гарантия качества для конкретных данных. Модель принимает текст и генерирует текст. Язык оценки в README — английский; поддержка других языков не установлена предоставленными данными. Лицензия репозитория указана как MIT. Модель сохраняет ограничения базовой Llama и может ошибаться, особенно при обработке длинного контекста; фактическое поведение зависит от используемой конфигурации и максимальной длины генерации.

MegaBeam-Mistral-7B-300k — языковая модель AWS, дообученная на базе Mistral-7B-Instruct-v0.2. Она предназначена для диалоговой генерации текста и работы с длинными документами: заявленная длина входного контекста достигает 320 тысяч токенов, а метаданные указывают нативный контекст около 288,8 тысячи токенов. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель подходит для вопросов и ответов по объёмным документам, извлечения сведений из длинного контекста и диалоговых сценариев. В опубликованной карточке приведены результаты оценки на InfiniteBench, включая задачи поиска ключей и чисел в длинном контексте; показатели различаются между задачами. README описывает запуск на крупном экземпляре AWS и через vLLM или SageMaker DJL. Поддерживаемые языки отдельно не перечислены. Модель распространяется по лицензии Apache 2.0. Перед применением AWS рекомендует самостоятельно оценить её качество и соответствие требованиям конкретного использования.

Qwen2-VL-2B-Instruct — мультимодальная модель с визуальным энкодером и плотной архитектурой Qwen2-VL, разработанная командой Qwen. Это версия с настройкой для следования инструкциям, основанная на Qwen/Qwen2-VL-2B. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает динамическое разрешение изображений, а механизм M-ROPE учитывает текстовые, визуальные и видеопозиции. В метаданных указаны 1,5 млрд параметров и контекст длиной 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, а также понимания видеоклипов, включая клипы длительностью более 20 минут. Она также может служить основой для систем, которые действуют по текстовым инструкциям, опираясь на визуальную обстановку. Модель поддерживает английский и китайский языки, а также распознавание текста на изображениях на многих других языках. Репозиторий содержит веса в формате safetensors, использовать их можно на базе Transformers; лицензия — Apache-2.0. В README отмечены ограничения: модель не понимает аудио в видео, может ошибаться при подсчёте объектов и пространственных рассуждениях, а также испытывает трудности со сложными многошаговыми инструкциями. Данные изображений обновлены до июня 2023 года; распознавание конкретных людей и объектов интеллектуальной собственности ограничено.

Это репозиторий весов unsloth для мультимодальной модели Qwen3-VL-4B-Thinking, разработанной на основе Qwen3-VL компанией Qwen и представленной Unsloth с исправлениями шаблона чата. Модель сочетает обработку текста и изображений и предназначена для диалога, визуального анализа и рассуждений; заявлены также понимание видео, OCR и взаимодействие с инструментами. Архитектура — плотная Qwen3-VL для условной генерации, веса сохранены в safetensors и используются через Transformers. В README заявлены контекст длиной 256 тысяч токенов с возможностью расширения до миллиона, визуальное рассуждение, распознавание элементов интерфейса и разбор документов; также указана поддержка OCR на 32 языках. Модель может быть полезна для вопросов по изображениям и видео, извлечения текста из документов и визуально обусловленного диалога. Репозиторий распространяется по лицензии Apache-2.0. Заявления README о сравнительном качестве и характеристиках являются описанием разработчика; независимые результаты измерений в карточке не приведены.

Ring-1T — большая языковая модель для диалога и сложных рассуждений, разработанная командой Bailing и опубликованная под лицензией MIT. Она использует архитектуру Ling 2.0 с механизмом Mixture of Experts: в карточке Hugging Face указано 49,6 млрд параметров, а README описывает исходную основу как модель с 1 трлн параметров и 50 млрд активируемых параметров. Модель принимает текст, поддерживает контекст до 65 536 токенов по метаданным и предоставляет интерфейс для вызова инструментов. Ring-1T предназначена для математических и логических задач, генерации кода, ответов на вопросы и творческого письма. Разработчики сообщают о результатах на олимпиадных задачах по математике и программированию, но эти оценки основаны на собственных тестах и не гарантируют качество в других сценариях. README также предупреждает о возможной предвзятости при распознавании собственной идентичности, смешивании языков и повторениях; эффективность вывода на длинном контексте ограничена архитектурой внимания GQA.

NousResearch/Yarn-Mistral-7b-128k — языковая модель NousResearch на архитектуре Mistral-7B, дополнительно предобученная на данных с длинным контекстом в течение 1500 шагов с применением метода YaRN. Модель предназначена для генерации текста и обработки длинных входных последовательностей, например анализа объёмных документов и поиска ответов в них. В карточке заявлено окно контекста до 128 тысяч токенов. По метаданным, модель содержит 7,1 млрд параметров и распространяется в формате PyTorch для Transformers; базовая модель — Mistral-7B-v0.1. В README приведены результаты тестов длинного контекста и стандартных языковых бенчмарков, где качество на коротком контексте немного ниже, чем у исходной Mistral-7B-v0.1. Указанная лицензия — Apache-2.0. Для загрузки README рекомендует использовать актуальную версию Transformers и параметр trust_remote_code=True.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

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

Sethuiyer выпустил экспериментальную инструктивную донастройку Llama 3.1 8B, предназначенную для генерации текста и диалога. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров, работает с контекстом до 131 072 токенов и распространяется в формате safetensors. Карточка сообщает о результатах на задачах логического и булева рассуждения, следования инструкциям, устранения неоднозначности и причинного анализа, а также об отдельных узкоспециализированных знаниях. Модель может быть полезна для диалогов, анализа длинных документов и многошаговых текстовых задач. Оценки приведены на Open LLM Leaderboard; они не гарантируют качество на других задачах. Лицензия в предоставленных данных не указана.

Llama-3.2-1B-Instruct-GGUF — квантизированная GGUF-версия 1B-инструкционной модели семейства Llama 3.2, разработанного Meta и опубликованная Unsloth. Это авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer с Grouped-Query Attention (GQA). Модель работает в текстовом формате и предназначена для диалоговых сценариев, включая агентский поиск с извлечением данных и суммаризацию. Доступны варианты с разной точностью квантования: 16, 8, 6, 5, 4, 3 и 2 бита, что позволяет выбирать компромисс между качеством, размером и требованиями к памяти. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки; модель также обучалась на более широком наборе языков, но качество для них может различаться. Инструкционная версия обучалась с использованием supervised fine-tuning (SFT) и reinforcement learning from human feedback (RLHF) для повышения полезности и безопасности. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможное снижение качества при сильном квантовании и отсутствие гарантии высокого качества для языков, не входящих в официальный список. Использование регулируется Llama 3.2 Community License — специальной коммерческой лицензией Meta.