IV.6Научные исследования, математика и новые материалы

InternVL2_5-2B — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель internlm/internlm2_5-1_8b-chat; общая конфигурация содержит около 2 млрд параметров. В репозитории доступны веса safetensors, для работы предусмотрена библиотека Transformers, лицензия — MIT. Модель принимает текст вместе с одним или несколькими изображениями и может обрабатывать кадры видео, формируя текстовые ответы. Динамическое разбиение изображений на фрагменты 448×448 помогает работать с высоким разрешением; поддерживаются многокартинные запросы. Семейство рассчитано на мультиязычные сценарии, включая OCR и математические диаграммы. Карточка описывает улучшения обучения и качества данных, но не задаёт исчерпывающего списка языков и ограничений точности; обработка видео описана через кадры.

Perception Language Model (PLM) 3B — мультимодальная модель Meta для понимания изображений и видео, представленная в исследовании PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding. Архитектура сочетает визуальный энкодер с языковым декодером на 3 млрд параметров; модель поддерживает диалоговый ввод с изображениями и предназначена для детального визуального анализа, включая пространственные и временные рассуждения. Модель подходит для ответов на вопросы об изображениях и видео, чтения текста на изображениях, анализа диаграмм и графиков, описания сцен и понимания последовательности событий. Авторы сообщают об обучении без дистилляции из проприетарных моделей и о наборе из 2,8 млн примеров с человеческой разметкой для улучшения понимания видео. В карточке приведены результаты на наборах тестов для изображений и видео; они не гарантируют точность на произвольных данных. Репозиторий содержит веса в формате safetensors для использования с Hugging Face Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории и материалами проекта.

rStar-Coder-Qwen3 — дообученная на наборе microsoft/rStar-Coder компактная плотная языковая модель семейства Qwen3, разработанная prithivMLmods на базе Qwen/Qwen3-0.6B. Она предназначена для генерации кода и технических объяснений, математических и научных рассуждений, а также структурированных ответов в форматах вроде JSON, LaTeX, CSV и YAML. Модель имеет около 508 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка заявляет поддержку кода на нескольких языках программирования, но метаданные указывают английский как язык карточки; естественные языки обучения отдельно не перечислены. Небольшой размер рассчитан на запуск при ограниченных вычислительных ресурсах. Распространяется по лицензии Apache-2.0. Модель ориентирована на программирование, STEM-задачи и структурированную генерацию, а не на универсальный разговор или творческое письмо. README предупреждает, что длинный контекст может затруднять анализ нескольких документов или крупных кодовых баз, а обычный чат и эмоциональный стиль могут быть слабее специализированных технических ответов. Заявления о возможностях основаны на карточке модели и не сопровождаются в предоставленных данных результатами бенчмарков.

INF-o1-pi0 — языковая модель для рассуждений, разработанная командой INF-o1 компании INFLY TECH (Shanghai) Co., Ltd. Это начальный контрольный чекпойнт проекта, созданный для оценки конвейера подготовки данных перед дальнейшим обучением с подкреплением. Модель дообучена на базе Qwen/Qwen2.5-32B-Instruct, имеет плотную архитектуру Qwen2 и 32 млрд параметров; работает через Transformers и принимает текст, выдавая текст. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации развёрнутых рассуждений и решения задач по математике, программированию, логике, безопасности и SQL. В README приведены результаты сравнений на математических, логических и SQL-бенчмарках; они показывают сильные результаты на отдельных наборах, но не гарантируют точность в прикладных задачах. Карточка описывает этот выпуск как исходный чекпойнт для оценки конвейера данных и основы будущего обучения с подкреплением. Языковые теги метаданных охватывают китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Лицензия в предоставленных данных не указана.

Ovis2-4B — мультимодальная модель семейства Ovis от разработчиков Ovis. Она объединяет визуальный энкодер aimv2-huge-patch14-448 с языковой моделью Qwen2.5-3B-Instruct; архитектура модели — плотная, класс Ovis. Модель принимает изображения и текст, а также обучалась на видео и наборах нескольких изображений, чтобы отвечать на вопросы о визуальных данных и рассуждать по их содержимому. Модель предназначена для диалоговых сценариев: описания изображений, распознавания текста и извлечения структурированных сведений из таблиц и диаграмм, а также анализа нескольких изображений и видео. В карточке заявлены улучшенное пошаговое рассуждение и многоязычный OCR; метаданные указывают английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2.5.

Argus-Colqwen3.5-4b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная на базе Qwen/Qwen3.5-VL-4B-Instruct модель с 4,71 млрд параметров: ColPali-подобная архитектура формирует многовекторные представления изображения и запроса, а разреженный маршрутизатор с четырьмя экспертами выбирает обработку регионов страницы с учётом запроса. Выпущена версия с весами fp32; размерность вектора каждого токена — 1024, обрабатывается до 2048 визуальных токенов на страницу. Модель предназначена для поиска релевантных страниц в сканах, документах и отчётах по текстовому запросу, включая сценарии визуального вопросно-ответного поиска. В README заявлены высокие результаты на ViDoRe v1, однако приведённые оценки отдельных задач получены на родственной версии bf16 и для fp32 указаны как ожидаемые. Области применения включают поиск по документам и отчётам; качество на английских наборах проверено лучше, чем на многоязычных. Лицензия — Apache 2.0.

LightOnOCR-2-1B-bbox — компактная зрительно-языковая модель LightOn на 1 млрд параметров для извлечения текста и координат областей с изображений документов. Она обрабатывает страницы PDF, сканы и фотографии как изображения и выдаёт текст в естественном порядке вместе с точными ограничивающими рамками; для уточнения локализации модель дообучена с помощью RLVR и вознаграждения на основе IoU. Модель предназначена для OCR и разбора документов, включая формы, таблицы и страницы с изображениями. В карточке отмечены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Авторы сообщают о высокой скорости и результатах на OlmOCR-Bench, однако приведённые сравнения не содержат полного описания условий и методики; для работы с PDF страницы следует предварительно преобразовать в изображения, сохранив пропорции и ориентируясь на размер длинной стороны 1540 пикселей. Модель построена на архитектуре Mistral3 и распространяется в формате safetensors. Для запуска авторы указывают Transformers, установленный из исходного кода, а также Pillow и pypdfium2. Лицензия — Apache-2.0.

ColPali v1.3 HF — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B и стратегии ColBERT. Эта версия предназначена для загрузки через Transformers или Sentence Transformers; веса преобразованы из чекпойнта vidore/colpali-v1.3-merged. Модель формирует многовекторные представления страниц и текстовых запросов, чтобы находить релевантные страницы по их визуальному содержимому. Подходит для поиска по PDF и другим документам с визуально значимой структурой: например, когда важны таблицы, схемы или расположение элементов. Обучение проводилось на англоязычных парах «запрос — страница»; README сообщает о проверке переноса на другие языки, однако основное внимание уделено языкам с большими ресурсами. Для воспроизведения обученного формата запросов в Transformers нужно установить префикс «Query: » у процессора. Лицензия — Gemma; применяются условия лицензии Gemma.

Qwen2.5-CoderX-7B-v0.5-i1-GGUF — это набор квантованных файлов в формате GGUF для модели oscar128372/Qwen2.5-CoderX-7B-v0.5. Квантизацию выполнил mradermacher. Модель основана на семействе Qwen2.5 и имеет размер 7 миллиардов параметров. Модель предназначена для генерации текста и кода, следования инструкциям, проектирования алгоритмов и задач, связанных с Python и физическим моделированием. В описании указана поддержка английского языка. Доступны варианты квантизации от крайне компактных IQ1 до более качественного Q6_K размером примерно от 2,0 до 6,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Сильной стороной являются разнообразные GGUF-варианты, включая imatrix-квантизации, совместимые с экосистемой локального запуска GGUF. Ограничения зависят от выбранного варианта: низкобитные версии могут заметно терять в качестве, а некоторые прямо помечены как имеющие очень низкое качество. Размер контекста, мультимодальность, результаты оценивания и подробности архитектуры в README не указаны. Лицензия модели — Apache-2.0.

EVIE-4.5B — мультимодальная модель Tencent для поиска по визуальному содержимому страниц документов. Она основана на ColQwen3.5 и использует позднее взаимодействие многовекторных представлений: кодирует текстовый запрос и изображение страницы в наборы векторов, а релевантность оценивается сопоставлением токенов. Модель содержит 4,5 млрд параметров и поддерживает эластичные векторы размерностью от 64 до 2048, которую можно выбирать усечением единственной проекции. Модель предназначена для поиска документов по содержимому сложных страниц, включая таблицы, диаграммы, структуру макета и мелкий текст. Для уменьшения объёма индекса можно применять HAC — алгоритм кластеризации токенов без дополнительного обучения, сжимая представление страницы до 32 или 64 векторов. В README приведены результаты оценки на ViDoRe и JinaVDR, включая многоязычные задачи. EVIE-4.5B получена дообучением Tencent/EVIE-Preview-4.5B; в описании также говорится о дистилляции студенческой модели от модели EVIE-8B. Репозиторий использует библиотеку colpali-engine и формат safetensors. Лицензия Apache-2.0.

jth01/inf-o1-pi0-fixed — копия весов INF-o1-pi0 от INFLY TECH (Shanghai) Co., Ltd. с заменёнными файлами конфигурации токенизатора на вариант QwQ; автор репозитория сообщает, что так модель работает лучше. Это плотная причинная языковая модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалог. Контекст — до 32 768 токенов. Исходный INF-o1-pi0 представлен как начальный чекпойнт для оценки конвейера подготовки данных и развития многошаговых рассуждений. В карточке описаны задачи математики, программирования, логики, безопасности и SQL, а также приведены сравнительные результаты на соответствующих тестах. Модель может применяться для решения математических и логических задач, объяснения решений и генерации кода или SQL-запросов. Метаданные указывают на слияние INF-o1-pi0 и Qwen/Qwen2.5-32B-Instruct; этот репозиторий дополнительно меняет конфигурацию токенизатора. Для запуска используется Transformers, веса хранятся в safetensors. Лицензия в предоставленных данных не указана. Результаты бенчмарков не гарантируют точность ответов в прикладных сценариях; README позиционирует исходный чекпойнт как основу для дальнейшей разработки, а не как завершённую модель для ответственных решений.

Карточка модели indigoskyai/Molmo-72B-0924 на Hugging Face совпадает с карточкой allenai/Molmo-72B-0924, поэтому описание составлено по ней. Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

Llama3.2-3B-ShiningValiant2-GGUF — это GGUF-квантизированная версия языковой модели Llama3.2-3B-ShiningValiant2, разработанной ValiantLabs и подготовленной для распространения в квантизированных форматах пользователем bartowski. Модель построена на архитектуре Llama, содержит около 3 млрд параметров и предназначена для текстовой генерации в режиме instruction/chat. Указан английский язык; поддержка мультимодальности не заявлена. Модель ориентирована на диалоговые и технические сценарии, включая вопросы по естественным наукам, физике, биологии, химии, информатике и инженерии. В обучении или дообучении указаны наборы данных sequelbox/Celestia и sequelbox/Supernova. Доступны варианты от F16 до различных уровней квантизации, включая Q8_0 и Q6_K_L, что позволяет запускать модель локально через llama.cpp и LM Studio с разными требованиями к памяти и качеству. К сильным сторонам относятся компактный размер, локальный запуск и специализация на научно-технических запросах. Ограничения включают относительно небольшую ёмкость модели, английскую языковую ориентацию и возможное снижение качества при сильной квантизации; заявленный размер контекста в README не указан. В README приведены результаты тестов на ряде бенчмарков, однако они заметно различаются по задачам, поэтому модель следует проверять на конкретных рабочих сценариях. Лицензия указана как llama3.2.

leandronunes/qwen3.8-4b-a1-dare-ties — модель слияния DARE-TIES на базе Qwen/Qwen3.5-4B с компонентами Qwen3.8-4B-Distill и Agents-A1-4B. Она объединяет логическую дедукцию и агентные возможности для диалоговых задач и рассуждений; заявленные в карточке родительские модели показали результаты на тестах логической дедукции, причинных суждений и медицины, но показатели самого слияния ещё не измерены. Модель мультимодальная: помимо языковой части, в архитектуре есть зрительная башня из 24 блоков. Используется гибридная архитектура с чередованием слоёв linear attention на базе Gated DeltaNet и full attention; контекст — 262 144 токена. Поддерживается режим расширенного рассуждения, который можно отключить через шаблон чата. Метаданные указывают семейство Qwen 3.5 и поддержку интерфейса вызова инструментов. Модель ориентирована на диалог, логические и причинные рассуждения, в том числе с визуальным вводом. Карточка не приводит измерений качества итогового слияния, поэтому его результаты нельзя считать подтверждёнными приведёнными оценками родительских моделей. Лицензия — Apache 2.0.

avsolatorio/all-MiniLM-L6-v2-MEDI-MTEB-triplet-final — англоязычная модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для получения векторных представлений предложений и оценки их семантического сходства. Её можно применять для поиска похожих текстов, ранжирования кандидатов по близости к запросу, кластеризации и дедупликации предложений, в том числе в задачах с медицинскими и научными текстами среди обучающих данных. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и выдаёт векторы размерности 384. Для сравнения векторов используется косинусное сходство. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Модель принимает текст и возвращает эмбеддинги; заявленный язык — английский. Модель распространяется по лицензии Apache-2.0. Это энкодер предложений, а не генеративная модель: он не предназначен для свободной генерации ответов. Качество сходства зависит от домена и формулировок; длину входного текста следует учитывать с учётом ограничения README в 256 токенов.

DeciMamba-130m-squad-doc-ret — официальный чекпойнт DeciMamba-130m, дообученный для поиска документов. Модель представлена авторами исследования DeciMamba: Exploring the Length Extrapolation Potential of Mamba; в метаданных указаны архитектура Mamba и 236,8 млн параметров. Модель предназначена для задачи поиска документов и относится к pipeline text-generation. Репозиторий содержит веса PyTorch; лицензия — MIT. В README указаны скрипты обучения и оценки в репозитории проекта.

unsloth/Qwen3-VL-4B-Thinking-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-4B-Thinking, разработанной командой Qwen и подготовленной Unsloth с исправлениями шаблона чата. Модель предназначена для обработки текста и изображений, визуального понимания и рассуждений, анализа документов, OCR, STEM- и математических задач, пространственного анализа, понимания видео, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 4 млрд параметров и относится к reasoning-ориентированной версии Thinking. Заявлена поддержка контекста длиной 256K токенов с возможностью расширения до 1M, а также обработки изображений, видео и текста. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — сочетание языкового и визуального понимания, мультимодальное рассуждение, работа с длинным контекстом, пространственными отношениями, видео и сложными визуальными документами. Ограничения, связанные с точностью, вычислительными требованиями и конкретными параметрами GGUF-квантизации, в README не описаны; фактические возможности зависят от используемого варианта файла и среды запуска. Модель распространяется по лицензии Apache-2.0.

Shining Valiant 3 — модель Valiant Labs, дообученная на базе mistralai/Ministral-3-14B-Reasoning-2512. Это плотная модель семейства Mistral 3 для генерации текста, диалога и рассуждений. Разработчики позиционируют её как помощника для научных задач, проектирования ИИ, программирования и общего решения сложных задач; обучение включало научные данные для рассуждений, созданные с помощью DeepSeek R1 0528. Модель рассчитана на диалог и следование инструкциям, а также на творческие и аналитические задачи. Карточка сообщает о поддержке английского языка. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. В README не приведены данные о числе параметров сверх идентификатора базовой модели или о длине контекста. Утверждения о высокой скорости и работе на настольных и мобильных устройствах приведены разработчиком без количественных характеристик.

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.

DeepSeek-R1-Distill-Qwen-7b-IDKKKK — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом Linear из DeepSeek-R1-Distill-Qwen-7B, Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct. Она предназначена для диалоговой генерации текста, решения математических задач и помощи с программным кодом. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров, работает через Transformers и принимает контекст длиной до 131 072 токенов. Объединение сочетает возможности исходных моделей для рассуждений, математики и кода; в метаданных также отмечен интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. Языковая поддержка и лицензия в предоставленных данных не описаны.

QuantFactory/Llama-3-Hercules-5.0-8B-GGUF — квантованная версия языковой модели Llama-3-Hercules-5.0-8B, созданная с использованием llama.cpp. Базовая модель основана на Llama-3-8B и дообучена Locutusque на датасете Locutusque/hercules-v5.0. Модель предназначена для генерации текста и использует формат запросов OpenAI ChatML с поддержкой вызовов функций. Модель ориентирована на выполнение сложных многошаговых инструкций, диалоговое взаимодействие, работу с научной и технической тематикой, включая биологию, химию, физику, математику, медицину и компьютерные науки. Она может применяться для специализированных чат-ботов, образовательных ассистентов, генерации кода и сценариев, где требуется выполнение функций через вызовы инструментов. В README не указаны поддерживаемые языки и максимальная длина контекста. Ключевые ограничения включают риск галлюцинаций и фактических ошибок, особенно в специализированных областях, наличие токсичных или вредных примеров в обучающих данных, возможное воспроизведение предубеждений и риск злоупотребления функциональностью вызова функций. Условия распространения обозначены лицензией llama3.

GLM-4V-9B — мультимодальная модель семейства GLM-4, разработанная Zhipu AI. Она предназначена для диалогового понимания изображений и текста: отвечает на вопросы по изображениям, распознаёт текст, анализирует графики и диаграммы, а также выполняет задачи визуального восприятия и рассуждения. Модель поддерживает китайский и английский языки, многоходовый диалог с изображениями высокого разрешения до 1120 × 1120 пикселей и контекст длиной 8K токенов. Это плотная архитектура ChatGLM с 10,7 млрд параметров; веса опубликованы в формате safetensors. В метаданных указан тег text-generation, однако назначение модели и её описание в README сосредоточены на визуальном диалоге, OCR и понимании изображений. Лицензия обозначена как other; README отсылает к отдельной лицензии GLM-4 для условий использования.

Qwopus3.6-27B-v2-MTP — мультимодальная модель для работы с текстом и изображениями, разработанная Jackrong на основе Qwen3.6-27B. Модель дообучена на наборах данных Claude Opus TraceInversion и ориентирована на реконструированное пошаговое рассуждение, программирование, DevOps, математику, научные задачи, работу с инструментами и генерацию текста в заданном формате. Модель содержит около 27 миллиардов параметров и использует Multi-Token Prediction (MTP), предназначенный для ускорения генерации и speculative decoding, особенно в длинных рассуждениях, программном коде и математических запросах. Заявлена поддержка текстово-изобразительных сценариев; среди языков указаны английский, китайский, корейский, русский, японский и испанский. Точная длина контекста в README не указана. К сильным сторонам относятся акцент на структурированном рассуждении, кодировании, DevOps и математических выводах, а также потенциально более высокая скорость генерации благодаря MTP. Модель тестировалась на локальном наборе из 30 вопросов по логике, программированию, DevOps, математике и пограничным сценариям, однако широкие независимые бенчмарки и подробные числовые результаты не представлены. Для использования могут потребоваться совместимые реализации MTP и speculative decoding; формат GGUF ориентирован, в частности, на llama.cpp. Лицензия — Apache-2.0.

LightOnOCR-2-1B-ocr-soup — объединённая версия модели LightOnOCR-2 от LightOnAI. Это плотная vision-language-модель семейства Mistral3 с 1 млрд параметров, предназначенная для преобразования страниц документов в текст с сохранением естественного порядка чтения. Она принимает изображения страниц, в том числе отрисованные из PDF, и подходит для распознавания сканов, таблиц, форм, научных статей и LaTeX. Вариант ocr-soup объединяет базовый чекпойнт с весами, обученными методом RLVR, с помощью слияния task arithmetic; авторы заявляют о более стабильной работе на сложных категориях документов. Для LightOnOCR-2 также заявлены улучшенное покрытие французских документов, arXiv и сканов, а также более чистая нормализация текста. Модель рассчитана на работу через Transformers, поддерживает визуальный ввод и диалоговый интерфейс; для использования требуется версия Transformers, установленная из исходного кода. В карточке приведены сравнительные заявления о скорости и результатах на OlmOCR-Bench, но подробности методики отнесены к статье. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Для подготовки PDF рекомендуется отрисовывать каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей; качество может зависеть от рендеринга и сложности документа.

MDCure-Qwen2-7B-Instruct — языковая модель Yale NLP, дообученная на Qwen/Qwen2-7B-Instruct с использованием набора MDCure-72k. Она предназначена для генерации ответов на инструкции и вопросы по нескольким документам, а также для задач с длинным контекстом. MDCure — процедура создания и фильтрации обучающих данных для улучшения способностей LLM работать с несколькими документами; авторы сообщают об улучшении результатов на ряде много-документных и длинноконтекстных тестов относительно базовых моделей. Модель имеет плотную архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных указан английский язык. Для использования рекомендуется Transformers версии 4.45.0 или новее. Модель распространяется по лицензии Apache-2.0.

Mini-InternVL-Chat-4B-V1-5 — компактная мультимодальная модель для диалога с изображениями, разработанная OpenGVLab. Она сочетает InternViT-300M-448px, MLP и языковую модель Phi-3-mini-128k-instruct; архитектура относится к семейству InternVL Chat. Модель содержит около 4,2 млрд параметров и принимает изображения с динамическим разрешением, разбивая их максимум на 40 фрагментов размером 448 × 448 пикселей. Модель предназначена для ответов на вопросы по изображениям, распознавания текста и анализа диаграмм и документов, а также для обычного диалога и генерации текста. В README указаны оценки на наборах DocVQA, ChartQA, InfoVQA, TextVQA, OCRBench, MathVista и других. Обучение проводилось с контекстом 8K; значение 128K в названии базовой Phi-3 не означает, что такой контекст подтверждён для этой модели. Для запуска README приводит пример с Transformers и вычислениями в bf16/fp16. Модель объединяет vision-компонент InternViT и Phi-3-mini; метаданные указывают связи merge с обеими базовыми моделями. Поддержка языков обозначена как multilingual, но конкретный список языков не приведён. Лицензия — MIT. Модель может выдавать предвзятый или иной вредоносный контент, а результаты вероятностной генерации требуют проверки.

Whittle-Next-27B-A3B-GGUF — это исследовательская GGUF-квантизация модели logic65/Whittle-Next-27B-A3B, разработанная David Aylward (logic65) совместно с Claude (Anthropic). Модель предназначена для запуска через llama.cpp и совместима с LM Studio, Jan, Ollama и llama-swap при наличии актуальной версии llama.cpp. Лицензия — Apache-2.0. Модель использует архитектуру Qwen4-Next в формате qwen4_exp и представляет собой смесь экспертов (MoE) с 27 млрд параметров всего и примерно 3 млрд активных параметров на токен. В ней применяются гиперсвязи остаточных потоков, хешированная n-gram-память объёмом 2 млрд строк, поуровневые эмбеддинги и дистилляция из Qwen3.8-27B. Поддерживаются текстовая генерация, диалоговые сценарии, рассуждения, математика и программирование; заявлены английский, китайский и многоязычный режимы. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 13,3 до 29,3 ГБ. В README указано, что модель рассчитана на контекст до 16 384 токенов при рекомендованной настройке запуска. Сильными сторонами являются низкое число активных параметров, возможность запуска на стандартном llama.cpp без патчей, поддержка режима пошагового рассуждения и сравнительно высокая точность на математических задачах и проверке кода для исследовательского прототипа. Модель рекомендуется использовать с включённым thinking-режимом, сэмплированием и бюджетом не менее 4096 токенов для программирования. Это research preview, а не завершённая универсальная модель: ответы по коду могут быть длинными, производительность зависит от квантизации и размещения памяти, а при жадной генерации возможны зацикливания. Для полноценной оценки следует учитывать ограничения и измерения из базовой карточки модели.

webAI-ColVec1-9b — мультимодальная модель поиска по визуальным документам от webAI-Official, дообученная на базе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения страниц документов в многовекторные представления размерности 2560, нормализованные по L2. Архитектура ColBERT-style использует общий энкодер для текста и изображений и позднее взаимодействие токенов с оценкой MaxSim. Модель предназначена для поиска релевантных страниц и документов по запросу на естественном языке, включая PDF-страницы, таблицы и визуально представленные документы. Карточка сообщает о мультиязычном обучении на объединённом наборе примерно из двух миллионов пар «вопрос — изображение» и о результатах на бенчмарках ViDoRe V1 и V3. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. README сообщает о доступности более новой версии ColVec1.1-8b.

InternLM-XComposer2.5 — мультимодальная модель с языковой основой InternLM2, разработанная командой InternLM. Она предназначена для диалога и задач понимания и создания содержания по тексту и изображениям, включая визуальные вопросы и ответы. Модель содержит 7,4 млрд параметров и обучена работать с чередующимися фрагментами текста и изображений в контексте до 24 576 токенов; авторы сообщают о возможности расширения контекста до 96 тыс. токенов с помощью экстраполяции RoPE. Модель подходит для анализа изображений, ответов на вопросы по визуальным материалам и работы с длинными текстово-графическими контекстами. В карточке заявлены возможности, сопоставимые с GPT-4V, однако это заявление разработчиков, а независимые результаты оценки здесь не приведены. Репозиторий содержит веса PyTorch, для загрузки через Transformers требуется `trust_remote_code=True`; для экономии памяти README рекомендует bfloat16. Лицензия указана как `other`, поэтому условия использования следует сверить с файлами лицензии репозитория.

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.