IV.6Научные исследования, математика и новые материалы

Qwen2-VL-OCR-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на базе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, преобразования изображений в текст и решения математических задач с выводом формул в LaTeX. Модель семейства Qwen2-VL имеет плотную архитектуру условной генерации, содержит 1,5 млрд параметров и работает с изображениями и текстовыми запросами; заявленная длина контекста — 32 768 токенов. Модель подходит для извлечения текста и формул из изображений, ответов на вопросы по визуальным материалам и диалоговой работы с изображениями. В карточке заявлена поддержка текста на английском и китайском, а также многих других языков внутри изображений. Унаследованные возможности базовой Qwen2-VL включают анализ видео, однако специальное дообучение здесь описано прежде всего для OCR и математических задач. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит независимых оценок точности именно этой версии; заявленные характеристики базового семейства не гарантируют аналогичные результаты на всех типах документов и языках.

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.

Mungert/II-Search-4B-GGUF — квантованный формат модели II-Search-4B, разработанной на базе Qwen3-4B командой Intelligent-Internet. Модель дообучена для поиска информации, многошагового рассуждения, проверки фактов и подготовки подробных исследовательских отчётов. Она рассчитана на работу совместно с инструментами веб-поиска и посещения веб-страниц, а также на задачи фактологического вопросно-ответного взаимодействия и исследовательской поддержки. Модель содержит около 4 млрд параметров и относится к текстовым моделям генерации. В обучении использовались дистилляция возможностей Qwen3-235B, синтетические многошаговые задачи, отбор качественных цепочек рассуждений, методы подготовки комплексных отчётов и reinforcement learning на данных MuSiQue и внутренней поисковой базе с материалами Wikipedia, FineWeb и arXiv. Для исходной версии заявлена поддержка контекста до 131 072 токенов при использовании RoPE scaling, однако конкретные возможности и качество зависят от реализации и выбранного GGUF-кванта. К сильным сторонам относятся многошаговое планирование, использование поисковых инструментов, перекрёстная проверка сведений и высокие результаты на заявленных бенчмарках SimpleQA, Frames и Seal_0 среди сопоставимых по размеру моделей. Ограничения включают зависимость веб-интегрированных сценариев от внешних инструментов, поисковой инфраструктуры и качества подключённых источников, а также возможные потери точности из-за квантования. Модель распространяется по лицензии Apache-2.0; данный репозиторий содержит GGUF-версии, созданные с использованием llama.cpp и модифицированного подхода к повышению точности отдельных слоёв.

LLaVA-OneVision-1.5-4B-Instruct — мультимодальная модель Glint Lab из семейства LLaVA-OneVision-1.5. Она объединяет визуальный энкодер с языковой моделью Qwen3-4B-Instruct-2507 и предназначена для диалогов и выполнения инструкций по изображениям. Модель принимает изображения в исходном разрешении и текстовые запросы, а в ответ генерирует текст. Модель подходит для описания изображений, визуальных вопросов и ответов, анализа диаграмм и документов, а также решения задач по визуальному содержимому. В README заявлены высокие результаты на ряде мультимодальных бенчмарков и преимущества обучения на изображениях исходного разрешения. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers; видеоввод в дорожной карте указан как будущая возможность, поэтому здесь он не заявлен как поддерживаемый. Модель распространяется по лицензии Apache-2.0. Доступные сведения не задают размер контекста именно мультимодальной модели, поэтому контекст Qwen3 из описания базовой модели не следует считать подтверждённым контекстом этой модели.

Vero-Qwen3I-8B — мультимодальная модель для общего визуального рассуждения из открытого семейства Vero. Она создана на основе Qwen3-VL-8B-Instruct и дообучена с применением обучения с подкреплением. Модель содержит 8 млрд параметров и предназначена для диалога и анализа изображений.

Kepler-Qwen3-4B-Super-Thinking — плотная языковая модель на архитектуре Qwen3, дообученная PrithivMLmods на Qwen3-4B-Thinking-2507. Она предназначена для генерации текста с акцентом на рассуждения, математику, вероятностные задачи, событийную логику и структурированный анализ. Модель поддерживает чат и заявленную многоязычную генерацию; может формировать ответы в форматах LaTeX, Markdown, JSON, CSV и YAML. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий использует safetensors, а лицензия — Apache-2.0. Модель рассчитана на исследователей, преподавателей и разработчиков, которым нужны решения задач на вероятность и логический вывод, симуляция событий или структурированные технические ответы. Заявленный акцент на вероятностных рассуждениях и структурированном выводе следует считать описанием назначения модели, а не гарантией точности. README отмечает трудности со сложными многошаговыми задачами и очень длинным контекстом, а также меньшую пригодность для творческого письма и эмоционального общения.

OneThinker-8B — мультимодальная модель рассуждений для задач анализа изображений и видео, представленная разработчиками проекта OneThinker. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и построена на архитектуре Qwen3-VL с 8 млрд параметров. Модель объединяет несколько зрительных задач в одной системе: визуальные вопросы и ответы, математические задачи по изображениям, отслеживание объектов и сегментацию видео.

GravityOCR — дообученная модель trillionlabs на базе zai-org/GLM-OCR для распознавания текста и разбора документов по изображениям. Она использует архитектуру GlmOcrForConditionalGeneration с визуальным энкодером CogViT и текстовым декодером 0,5 млрд параметров; веса сохранены в формате bf16. Модель принимает изображение с запросом на распознавание текста, таблицы или формулы и выдаёт текст, HTML таблицы либо LaTeX формулы. Модель предназначена для OCR документов с обработкой отдельных областей страницы; для целых страниц README указывает на предварительное обнаружение макета. В режиме авторегрессивного декодирования она совместима с обычным конвейером GLM-OCR. Основное отличие — самоспекулятивное декодирование: модель черновым блоком предсказывает несколько токенов и проверяет их собственным авторегрессивным путём. На OmniDocBench v1.6 автор сообщает ускорение страниц в секунду в 1,32 раза относительно авторегрессивного режима при том же итоговом балле. Дообучение было преимущественно на английском; для китайского заявлен уровень базовой GLM-OCR. Лицензия — MIT. Самоспекулятивный режим требует кода репозитория и специальной настройки сервинга; результаты по скорости приведены для одного H100 и конкретного бенчмарка.

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.

InternVL2_5-8B-MPO — мультимодальная диалоговая модель OpenGVLab на основе InternVL2.5-8B, дообученная с использованием Mixed Preference Optimization. Архитектура сохраняет схему ViT-MLP-LLM: визуальный компонент InternViT объединён с языковой моделью через MLP-проектор. Для изображений применяется динамическое разбиение на фрагменты 448×448 и сокращение числа визуальных токенов; модель также поддерживает несколько изображений и видео в запросе. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, анализа диаграмм и решения задач по визуальному содержимому. В README приведены результаты сравнений на мультимодальных тестах, включая OCRBench, MathVista и MMBench. Репозиторий содержит веса safetensors и рассчитан на запуск через Transformers; для инференса приведён пример с bf16/fp16. Лицензия — MIT. Это дообученная версия InternVL2.5-8B, поэтому её возможности и ограничения во многом связаны с базовой мультимодальной моделью. README не сообщает длину контекста и конкретный перечень поддерживаемых языков; метаданные характеризуют модель как мультиязычную.

PerceptionDLM-Base — мультимодальная диффузионная языковая модель для понимания изображений и ответов на визуальные инструкции, разработанная MSALab. Она дообучена на базе MSALab/LLaDA-8B-Instruct-HF и предназначена для сценариев, где нужно задавать вопросы об изображении или извлекать из него сведения. Архитектура сочетает визуальный энкодер SigLIP-2, двухслойный MLP-коннектор и диффузионный декодер LLaDA-8B. Модель использует параллельную генерацию с маскированным денойзингом и динамическое разбиение изображений высокого разрешения на тайлы. Карточка сообщает о результатах на мультимодальных бенчмарках, включая сильные показатели в задачах детального восприятия и ChartQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. В метаданных указан английский язык. Весы опубликованы в формате Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель описана как базовая для PerceptionDLM; для развёртывания предоставлены скрипты инференса.

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.

InternVL2_5-26B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она объединяет зрительный энкодер InternViT-6B-448px-V2_5 и языковую модель internlm/internlm2_5-20b-chat; каталог указывает связь с обеими базовыми моделями как merge. Модель построена по схеме ViT-MLP-LLM и использует динамическое разбиение изображений на фрагменты 448×448 пикселей для обработки в высоком разрешении. Модель предназначена для ответов на вопросы об изображениях, анализа нескольких изображений в одном запросе и понимания видео по кадрам; она также поддерживает обычный текстовый диалог. В README отмечены улучшения обучения и качества данных, а также внимание к сохранению языковых способностей. Карточка семейства указывает поддержку многоязычных данных, OCR и математических диаграмм; конкретный список языков и размер контекста для этой версии не приведены. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — MIT. Обработка высокого разрешения, нескольких изображений и видео увеличивает расход визуальных токенов; при работе с несколькими изображениями может потребоваться увеличить контекст.

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.

Cohere и Cohere Labs разработали Tiny Aya En-Thinker — мультиязычную авторегрессионную трансформерную модель семейства Tiny Aya на 3,35 млрд параметров. Она предназначена для диалогов, следования инструкциям, математических и научных задач, рассуждений и генерации ответов на разных языках. При включённом режиме рассуждений модель формирует цепочку рассуждений на английском, а итоговый ответ — на языке запроса; режим без рассуждений также поддерживается. Модель принимает текст и выдаёт текст. Она обучена для 44 языков, включая русский и английский, а дополнительное мультиязычное обучение расширяет охват ещё более чем на 20 языков. Контекст составляет 32 тыс. токенов суммарно для входа и выхода. Чекпойнт прошёл supervised fine-tuning на англоязычных и переведённых мультиязычных данных рассуждений. Ответы могут быть ошибочными или устаревшими; в языках с малым объёмом данных качество может быть менее стабильным, а цепочки рассуждений — длинными. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование при соблюдении Acceptable Use Policy Cohere Labs; для коммерческого применения требуется связаться с Cohere.

Diver-Retriever-0.6B — модель текстовых эмбеддингов и ранжирования AQ-MedAI, дообученная на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и сопоставления запросов с документами, в том числе в задачах, требующих рассуждений. При обучении использовались данные по математике, программированию и медицине с подобранными по сложности негативными примерами. Модель поддерживает китайский и английский языки, имеет 507,6 млн параметров и контекст до 32 768 токенов; архитектура относится к семейству Qwen3. README отмечает результаты на Bright и MTEB-Medical, но не приводит здесь полные таблицы оценок. Распространяется в формате safetensors по лицензии Apache-2.0.

OpenGVLab/InternVL3_5-14B-Flash — мультимодальная модель семейства InternVL3.5, основанная на InternVL3_5-14B и дообученная на наборах MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текстовые запросы, а в ответ формирует текст; подходит для диалогов об изображениях, визуальных рассуждений и задач вроде ответов на вопросы, понимания диаграмм и распознавания текста на изображениях. Модель построена на архитектуре InternVLChat и использует языковую и визуальную части. Вариант Flash включает Visual Resolution Router для динамического выбора разрешения визуальных токенов; семейство также описывает раздельное размещение зрения и языковой модели для повышения эффективности вывода. Поддержка обозначена как многоязычная. Модель распространяется под лицензией Apache 2.0.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

Карточка модели CollectionStudio/chronos-t5-base на Hugging Face совпадает с карточкой amazon/chronos-t5-base, поэтому описание составлено по ней. Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

InternVL3.5-8B — мультимодальная модель OpenGVLab для диалога и рассуждений по тексту и изображениям. Вариант построен на InternVL3.5-8B-MPO и дообучен на данных OpenGVLab/MMPR-v1.2 и MMPR-Tiny; архитектура — плотная InternVLChatModel. Модель распространяется в формате safetensors и поддерживает Transformers. Модель предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста на изображениях и диалоговых сценариев с изображениями. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. В README также заявлены возможности взаимодействия с GUI и embodied-сценарии для семейства, но их поддержка именно этой версии 8B отдельно не уточняется. Модель принимает изображения и текстовый контекст и генерирует текстовые ответы. Карточка характеризует языковую поддержку как многоязычную, но конкретные языки и длина контекста для этого репозитория не приведены. Лицензия — Apache-2.0. Для инференса описано использование Transformers; обработка нескольких изображений увеличивает число входных токенов и может требовать большего контекстного окна.

XTuner LLaVA — мультимодальная модель на 3,7 млрд параметров для диалога по изображениям. Она дообучена на языковой модели microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP ViT-Large patch14 336 и использует данные ShareGPT4V-PT и InternVL-SFT. Репозиторий содержит веса в формате XTuner LLaVA; контекст составляет 4096 токенов. Модель принимает изображение и текстовый запрос, а отвечает текстом: подходит для описания изображений, визуальных вопросов и ответов, а также задач по пониманию диаграмм и текста на изображениях. В карточке приведены результаты на наборах MMBench, MMMU, SEED-IMG, AI2D, ScienceQA, HallusionBench, POPE, GQA, TextVQA, MME и MMStar. Лицензия в предоставленных данных не указана.

Omni-Reasoner-Merged — объединённая языковая модель от prithivMLmods, созданная методом Model Stock с помощью mergekit на основе Qwen/Qwen2.5-7B-Instruct и четырёх моделей для рассуждений и математики. Она предназначена для диалоговой генерации текста, решения математических задач и пошаговых рассуждений. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель доступна в формате safetensors для библиотеки Transformers. В метаданных указаны чат и интерфейс вызова инструментов; качество этих возможностей отдельно не охарактеризовано. Лицензия в предоставленных данных не указана.

llava-llama-3-8b-v1_1-hf — мультимодальная модель XTuner на архитектуре LLaVA-Llama-3, дообученная на основе Meta-Llama-3-8B-Instruct и визуального энкодера CLIP-ViT-Large-patch14-336. В модели около 7,5 млрд параметров; она принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Контекст составляет до 8192 токенов. Модель предназначена для вопросов об изображениях, визуального анализа и ответов по содержимому картинок. В README приведены результаты на бенчмарках для понимания изображений, диаграмм, научных задач и распознавания текста на изображениях. Для версии v1.1 использованы ShareGPT4V-PT и InternVL-SFT; модель опубликована в официальном формате LLaVA и хранится в safetensors. Лицензия в предоставленных данных не указана.

qwen2-1 — объединённая модель на архитектуре Qwen2, созданная с помощью LazyMergekit из Weyaxi/Einstein-v7-Qwen2-7B и jeiku/dontusethis. Она предназначена для генерации текста и диалоговых сценариев. Слияние выполнено методом SLERP; модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Базовая модель Einstein-v7-Qwen2-7B описана как диалоговая модель для генерации текста и ответов на вопросы, особенно по естественным наукам и математике. Лицензия в предоставленных данных не указана.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

TimesFM 2.5 — модель прогнозирования временных рядов, разработанная Google. Этот репозиторий содержит версию официального чекпойнта TimesFM 2.5, преобразованную для библиотеки Transformers; архитектура и поведение прогнозирования сохранены. Модель имеет архитектуру decoder-only с обработкой входных данных патчами и около 229,4 млн параметров. Модель предназначена для прогнозирования временных рядов по историческим последовательностям. Она формирует точечные и квантильные прогнозы; указанная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека Transformers. Модель рассчитана на данные временных рядов, поэтому естественный язык не является её основным входом или выходом. В README указана проверка соответствия прогнозов преобразованной модели результатам официальной реализации на детерминированных входных данных. Лицензия — Apache-2.0.

Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения вероятностных прогнозов. Для оценки будущего модель генерирует несколько возможных траекторий, что позволяет получить распределение прогнозов с учётом исторического контекста. Модель содержит 356,5 млн параметров, использует архитектуру T5 и библиотеку chronos-forecasting; в метаданных указан контекст 512 токенов. Она предназначена для прогнозирования временных рядов на основе больших корпусов открытых рядов и синтетических данных, созданных с помощью гауссовских процессов. Доступна в формате safetensors. Модель подходит для сценариев планирования и анализа, где нужны прогнозы будущих значений и оценка неопределённости. README отмечает, что более новые Chronos-Bolt и исходные модели Chronos доступны для развертывания через Amazon SageMaker JumpStart; для Chronos-Bolt заявлены более высокая точность и скорость, поэтому стоит учитывать наличие более новых вариантов. Лицензия — Apache-2.0.

WiNGPT-DocLoom — мультимодальная модель компании WiNGPT для извлечения структурированного текста из сложных PDF-документов. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-VL-4B-Instruct и принимает изображения страниц документа, чтобы выдавать текст в естественном порядке чтения с сохранением структуры: заголовков, таблиц, списков и формул. Модель предназначена для OCR и последующего разбора документов, поиска информации и извлечения данных. В обучении использовались реальные и синтетические данные; отдельно заявлен акцент на обработке медицинских PDF. Для инференса авторы рекомендуют Transformers или vLLM, включая обработку многостраничных документов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

LLaVA-Llama-3-8B-v1.1 — мультимодальная модель XTuner для диалога по изображениям. Она дообучена на Meta-Llama-3-8B-Instruct и использует визуальный энкодер CLIP ViT-Large/14 с разрешением 336 пикселей и MLP-проектором. Для обучения использовались ShareGPT4V-PT и InternVL-SFT; модель доступна в формате Hugging Face LLaVA и сохранена в safetensors. Модель принимает изображение вместе с текстовым запросом и генерирует текстовый ответ. Она подходит для описания изображений, ответов на вопросы о визуальном содержимом и анализа диаграмм или учебных изображений. В README приведены результаты на мультимодальных тестах, включая MMBench, AI2D и TextVQA. Лицензия в предоставленных данных не указана.

TiRex — предварительно обученная модель прогнозирования временных рядов от NX-AI, основанная на архитектуре xLSTM и содержащая 35 млн параметров. Она предназначена для прогнозирования без дообучения на пользовательских данных: модель принимает временной ряд и выдаёт точечные и квантильные оценки для коротких и длинных горизонтов. В README указаны результаты на бенчмарках GiftEval и ChronosZS. Репозиторий содержит модель в формате ONNX; для работы предусмотрена библиотека tirex. README также описывает CUDA-ядра для sLSTM, которым требуется GPU с Compute Capability 8.0 или выше. В метаданных указана лицензия other, поэтому условия использования следует уточнять в материалах проекта.