IV.7Цепочки поставок, склады, логистика и международная торговля

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

QianfanOCR — мультимодальная модель для распознавания и понимания содержимого изображений, представленная в репозитории bairongz. Она основана на дообученной OpenGVLab/InternVL3_5-4B-MPO и использует архитектуру QianfanOCRForConditionalGeneration; файлы опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в диалоговом режиме. Модель подходит для OCR и извлечения сведений из изображений, а также для вопросов и ответов по их содержимому. Метаданные указывают на многоязычную поддержку и наборы данных MMPR-v1.2 и MMPR-Tiny. Используется лицензия Apache-2.0. Карточка описывает семейство InternVL3.5 в целом, поэтому конкретные показатели качества и длина контекста именно QianfanOCR здесь не установлены.

MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

Hanji Parse 4B — модель компьютерного зрения и языка, разработанная Hanji Dev и дообученная на Qwen/Qwen3-VL-4B-Instruct. Она принимает изображение страницы документа и возвращает JSON-массив содержательных блоков: текст с координатами, заголовки, пары «ключ–значение», таблицы в формате GitHub-Flavored Markdown и нетекстовые изображения, например фотографии, диаграммы, штампы и подписи. Модель предназначена для OCR и разбора структуры документов с сохранением расположения элементов. Результат подходит для извлечения текста и областей страницы в последующих системах обработки документов. Для изображений рекомендуется уменьшение до 2 мегапикселей без увеличения, с размерами, кратными 32 пикселям; карточка также рекомендует жадное декодирование и ограничение вывода JSON-схемой. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и поддерживает зрительно-текстовый ввод и текстовый вывод. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. Языковая поддержка и размер контекстного окна в предоставленных данных не указаны.

MiroThinker v1.5-30B — поисковый агент для многошагового рассуждения и поиска информации, разработанный MiroMind и дообученный на базе Qwen/Qwen3-30B-A3B-Thinking-2507. Модель использует архитектуру Qwen3 MoE и предназначена для работы в диалоговом режиме с внешними инструментами через агентный фреймворк. Модель поддерживает контекст до 262 144 токенов и, согласно карточке, может выполнять до 400 вызовов инструментов за задачу. Она рассчитана на глубокие исследовательские запросы, требующие поиска, проверки сведений и последовательного уточнения ответа по обратной связи от среды. Метаданные указывают 2,6 млрд параметров; в README модель включена в серию, также представленную вариантом на 235 млрд параметров. В карточке заявлены результаты на бенчмарках HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Val-165; это заявления разработчика, а подробный технический отчёт на момент публикации карточки ещё не представлен. Для полноценного использования рекомендуется агентная инфраструктура с подключёнными инструментами и включённым режимом рассуждения. Модель распространяется по лицензии MIT.

NuExtract-1.5-tiny — разработанная NuMind модель извлечения структурированной информации, дообученная на Qwen/Qwen2.5-0.5B на частном высококачественном наборе данных. Она принимает текст документа и JSON-шаблон с нужными полями и генерирует заполненную структуру; модель настроена на точное извлечение, поэтому старается сохранять формулировки исходного текста. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. README заявляет поддержку английского, французского, испанского, немецкого, португальского и итальянского языков, а также работу с длинными документами. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для извлечения полей из документов и преобразования неструктурированного текста в JSON. Для более стабильного извлечения рекомендуется температура, равная нулю или близкая к ней. Русский язык среди заявленных языков не указан; качество извлечения в README не охарактеризовано численными результатами.

GPT-5.4 Pro — модель OpenAI на базе унифицированной архитектуры GPT-5.4, рассчитанная на сложные задачи, требующие усиленного рассуждения и надёжности. Она предназначена для сценариев с большим объёмом контекста и высокими требованиями к качеству ответов. В README указано контекстное окно более 1 млн токенов: до 922 тыс. токенов на вход и 128 тыс. на выход. Данных о языках, лицензии и других модальностях в доступном фрагменте нет.

Это зеркало инструктивной мультимодальной модели Qwen2.5-VL-7B от команды Qwen, опубликованное пользователем chibifire. Модель принимает изображения, видео и текст, а генерирует текст; она предназначена для диалогового анализа визуального содержимого и локального инференса. В репозитории находятся веса в формате safetensors, токенизатор, шаблон чата и конфигурации процессора и генерации. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Зеркало основано на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии Apache-2.0. Карточка описывает английский язык; возможности для других языков здесь не подтверждены.

Мультимодальная инструкционная модель Qwen2.5-VL-7B на 7,1 млрд параметров, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и отвечает текстом, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для анализа изображений и видео, извлечения данных из документов и других визуальных задач; максимальный контекст — 128 000 токенов. В метаданных указана библиотека Transformers, а карточка описывает конвертацию с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

FuriosaAI публикует эту сборку Qwen3-VL-4B-Instruct с Furiosa Executable Bundle для запуска через Furiosa-LLM на ускорителях RNGD. Это плотная vision-language модель на 4 млрд параметров: кодировщик изображений сочетается с трансформерным декодером, а Interleaved-MRoPE и многоуровневое слияние признаков DeepStack поддерживают обработку изображений и видео. Веса хранятся в safetensors; README указывает, что дополнительная квантизация не применялась. Базовая модель — Qwen/Qwen3-VL-4B-Instruct. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по изображениям, OCR, анализа документов и диаграмм, пространственных рассуждений и понимания видео; также поддерживает вызов инструментов через интерфейс функций. Для работы с Furiosa-LLM на RNGD используется параллелизм по тензорам на 8 вычислительных элементах одной карты. README также указывает совместимость с vLLM, SGLang и Transformers. Модель распространяется по лицензии Apache 2.0. Карточка описывает её как Instruct-вариант без режима thinking; качество ответов может зависеть от сложности изображения или видео и формулировки запроса.

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.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

Карточка модели WillowVoiceAI/surya-ocr-2 на Hugging Face совпадает с карточкой datalab-to/surya-ocr-2, поэтому описание составлено по ней. Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Xiaomi-OCR-0 — компактная мультимодальная модель для распознавания и понимания документов, разработанная SeerRay Lab на основе Qwen3.5-0.8B-Base. Это плотная vision-language модель с 0,8 млрд параметров, дообученная на корпусе примерно из 170 млн примеров OCR-задач; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения документов и текстовые запросы, а в ответ формирует текст: распознаёт и структурирует содержимое страниц, включая таблицы и формулы, отвечает на вопросы по документам и извлекает ключевые поля. В карточке приведены результаты на наборах для стандартных, искажённых и переснятых документов, OCR-вопросов, распознавания формул и таблиц. Заявленные показатели являются результатами разработчиков и не гарантируют качество на конкретных данных. Модель рассчитана на задачи OCR и анализа документов, в том числе чеков, сканов, фотографий и рукописного текста. Длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

Falcon OCR — модель TII для распознавания текста и разбора документов по изображению. Это компактная модель на 270 млн параметров с ранним слиянием визуальных и текстовых токенов: единый Transformer обрабатывает патчи изображения и текст в общем пространстве параметров, используя двунаправленное внимание для изображения и причинное декодирование текста с учётом изображения. Модель извлекает обычный текст, формулы в LaTeX и таблицы в HTML; промпты позволяют выбирать категории элементов страницы. Она рассчитана на сканы, фотографии документов, чеки, рукописные заметки, формы, журналы и другие материалы. Для большинства страниц рекомендуется сквозной OCR; для очень плотных многоколоночных страниц доступен двухэтапный сценарий с детектором макета PP-DocLayoutV3. Версия 1.5 дообучена с GRPO для улучшения работы с реальными документами, сложными таблицами, рукописным текстом и деградированными сканами, а также для снижения галлюцинаций и повторов. Компактный размер помогает снизить задержку и стоимость обслуживания; в описанной авторами конфигурации vLLM пропускная способность может быть в 2–3 раза выше, чем у OCR VLM размером около 0,9 млрд параметров, в зависимости от длины последовательностей и пакетирования. Для запуска требуются PyTorch 2.5 или новее и Transformers. Лицензия — Apache-2.0.

NVIDIA Nemotron Nano 12B v2 VL — мультимодальная модель NVIDIA на архитектуре Transformer с визуальным энкодером CRadioV2-H и языковой частью NVIDIA Nemotron Nano 12B v2. Модель содержит 12,6 млрд параметров и принимает текст, изображения и видео; контекст вместе с ответом — до 128 тысяч токенов. Для изображений поддерживается до четырёх входных кадров или страниц за запрос, для видео — от 8 до 128 кадров с частотой 2 кадра в секунду. Модель предназначена для мультимодального анализа документов, визуальных вопросов и ответов, суммаризации изображений и видео, а также рассуждений по визуальному содержимому. Подходит для извлечения сведений из счетов, чеков и руководств, а также для обработки нескольких страниц документа за один запрос. README указывает английский как поддерживаемый язык; обучающие данные включают также китайский и другие языки для отдельных визуальных задач, что не подтверждает полноценную поддержку этих языков в диалоге. Модель выдаёт текст, поддерживает чат и интерфейс вызова инструментов. Для обработки видео кадры необходимо извлечь заранее; видео декодирование не входит в модельный пайплайн. Указаны ограничения по числу и разрешению изображений, а также ориентация на системы с GPU NVIDIA. README заявляет готовность к коммерческому использованию, однако в метаданных лицензия обозначена как other, поэтому конкретные условия следует проверить в лицензии репозитория.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

cyankiwi/Laguna-S-2.1-AWQ-INT4 — квантизированная версия Laguna S 2.1 от poolside, подготовленная cyankiwi в формате AWQ INT4. Это текстовая модель text-to-text для агентного программирования, работы с инструментами и долгих многошаговых задач. Модель поддерживает интерleaved reasoning между вызовами инструментов и рассчитана на использование в vLLM, SGLang, Transformers, TRT-LLM и llama.cpp. Базовая модель содержит 118 млрд параметров, из которых около 8 млрд активируются на каждом токене, и использует Mixture-of-Experts с 256 маршрутизируемыми экспертами и одним общим экспертом. Архитектура включает 48 слоёв, grouped-query attention, 12 слоёв глобального внимания и 36 слоёв sliding-window attention с окном 512 токенов. Контекстное окно составляет 1 048 576 токенов, словарь — 100 352 токена. Поддерживаются английский, китайский, хинди, арабский, русский, японский, корейский, нидерландский, французский и испанский языки; модальность — текстовая. Ключевые преимущества — большое контекстное окно, эффективная MoE-архитектура, поддержка рассуждений и сценариев с инструментами, а также снижение требований к хранению и инференсу благодаря INT4-квантизации; размер файла указан как 76,83 ГБ. Ограничения включают высокие требования к вычислительным ресурсам даже в квантизированном виде и возможные потери качества из-за квантизации по сравнению с исходной точностью. Модель распространяется по лицензии OpenMDW-1.1, допускающей свободное использование и изменение для коммерческих и некоммерческих целей.

C4AI Command R+ 08-2024 — большая авторегрессионная языковая модель семейства Cohere, опубликованная Cohere и Cohere For AI; данная версия размещена Unsloth. Модель содержит 103,8 млрд параметров, использует архитектуру Transformer с grouped-query attention и принимает текст, выдавая текст. Контекстное окно — 128K токенов. Модель предназначена для диалогов, ответов на вопросы, суммаризации, рассуждений и генерации с опорой на предоставленные документы (RAG). Она обучена работать с инструментами в несколько шагов, например для поиска информации и автоматизации составных задач. Поддерживает 23 языка, включая английский, русский, китайский, арабский, японский и другие; оценивалась на 10 языках. Модель дообучена с помощью supervised fine-tuning и обучения предпочтениям. Для использования возможностей работы с инструментами рекомендуется соблюдать специальный шаблон диалога; отклонение от него может снизить качество. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдения Acceptable Use Policy C4AI.

Camel-Doc-OCR-062825 — дообученная PrithivMLmods модель на базе Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Она принимает изображения и текстовые запросы, извлекает содержимое и структурированные сведения, связывает элементы документа и отвечает на вопросы по его содержимому. Модель ориентирована на работу с таблицами, графиками, математическими выражениями, сложной разметкой страниц, слайдами и мультимодальными материалами; заявлены также понимание видео и визуально управляемое взаимодействие с устройствами. Модель построена на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Базовая модель поддерживает контекст до 128 000 токенов. В карточке заявлена работа с несколькими языками, но отмечена переменная точность для редких языков и письменностей. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. Среди ограничений — снижение качества на нечетких или частично закрытых изображениях, высокие требования к ресурсам и возможные галлюцинации. Длительная обработка видео требует значительной памяти; потоковая работа не оптимизирована.

HunyuanOCR-1.5 — компактная специализированная модель компьютерного зрения и языка для распознавания и обработки текста на изображениях. Карточка описывает её как разработку команды Hunyuan; репозиторий Evan-613/HunyuanOCR содержит веса модели HunyuanOCR-1.5. По метаданным, модель использует плотную архитектуру Hunyuan-VL с 463,5 млн параметров, работает через Transformers и имеет контекстное окно до 131 072 токенов. Модель предназначена для разбора документов, обнаружения и распознавания текста на изображениях, извлечения информации и перевода текста с изображений. README также указывает на поддержку OCR для редких и древних письменностей и вопросов по нескольким изображениям. Веса доступны в формате safetensors; для развёртывания описаны Transformers, vLLM и конвертация в GGUF для llama.cpp. README указывает лицензию как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

HunyuanOCR-1.5-GGUF-Updated — GGUF-сборка мультимодальной модели HunyuanOCR-1.5, разработанной Tencent на базе tencent/HunyuanOCR. Это специализированная vision-language модель для распознавания и анализа документов: извлечения текста, разбора структуры и макета, обработки таблиц, графиков и формул, text spotting, информационного извлечения, а также перевода текста с изображений между китайским и английским языками. Поддерживаются английский и китайский языки. Модель использует архитектуру HunYuanVLForConditionalGeneration и рассчитана на работу с изображениями и текстом. Заявлены максимальное разрешение изображения до 4K и контекстное окно до 128K токенов. Версия 1.5 сохраняет архитектурную основу HunyuanOCR-1.0 и добавляет DFlash speculative decoding для ускорения генерации длинных структурированных результатов, включая плотные документы, таблицы и формулы. Доступны варианты точности BF16, F16, F32 и квантизации Q3–Q8, что позволяет запускать модель на CPU, потребительских GPU и ноутбуках через llama.cpp, а также использовать Transformers и vLLM. Сильные стороны модели — объединение нескольких OCR-сценариев в одном VLM, поддержка структурированного разбора документов, длинного контекста, 4K-изображений и локального запуска в GGUF-формате. Ограничения включают заявленную специализацию преимущественно на китайском и английском языках, необходимость совместимых инструментов и компонентов для отдельных режимов инференса, а также возможные компромиссы между качеством и ресурсами при использовании квантизированных вариантов. Распространяется по Tencent Hunyuan Community License Agreement; в метаданных также указана лицензия Apache-2.0.

visionOCR-3B-061125 — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2.5-VL-3B для распознавания текста и анализа документов по изображениям. Она извлекает текст и структурированные данные из счетов, чеков, форм, научных статей и сканов, отвечает на вопросы по изображениям и преобразует математические выражения в LaTeX. Модель содержит 3,1 млрд параметров, принимает изображения с текстовыми инструкциями и выдаёт текст; заявлена поддержка контекста до 128 000 токенов. В карточке также заявлены анализ видео, визуально управляемая автоматизация устройств и работа с несколькими языками. Модель ориентирована на OCR документов, извлечение данных и визуальные вопросы-ответы, включая плотные макеты, таблицы и диаграммы. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Лицензия — Apache-2.0. Качество может снижаться на изображениях низкого качества или с перекрытиями, а для редких языков и письменностей точность непостоянна. Длительная обработка видео требует значительных ресурсов; возможны галлюцинации и ошибки при неудачных настройках визуальных токенов.

olmOCR-7B-0225-preview-bf16 — конверсия модели allenai/olmOCR-7B-0225-preview в формат MLX, подготовленная сообществом mlx-community с помощью mlx-vlm версии 0.1.14. Это мультимодальная модель на архитектуре Qwen2-VL с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2-VL-7B-Instruct. Она предназначена для преобразования изображений документов в текст и ответа на запросы по их содержимому. Модель принимает текст и изображения, выдаёт текст; поддерживаемая длина контекста составляет 32 768 токенов. В карточке указан английский язык и лицензия Apache-2.0. Для подробностей о назначении и качестве авторы отсылают к карточке исходной модели.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель с 4 млрд параметров из семейства Qwen3-VL, опубликованная FuriosaAI в виде сборки для Furiosa-LLM и RNGD. Репозиторий содержит веса Qwen/Qwen3-VL-4B-Thinking и исполняемый пакет Furiosa; модель также поддерживается другими фреймворками инференса. Модель принимает изображения и текст, а отвечает текстом. Визуальный энкодер и трансформерный декодер используют позиционные эмбеддинги Interleaved-MRoPE и слияние признаков DeepStack. Она предназначена для распознавания текста на изображениях, анализа документов и диаграмм, пространственных рассуждений и понимания видео; поддерживает вызов инструментов. Версия Thinking формирует явный ход рассуждений перед итоговым ответом. Для запуска через Furiosa-LLM модель рассчитана на ускоритель FuriosaAI RNGD, где использует тензорный параллелизм на 8 вычислительных элементах одной карты. Квантизация не применялась, используются веса в точности исходной модели. Лицензия — Apache-2.0. Длина контекста и список поддерживаемых языков в предоставленных данных не приводятся.

Phi-3.5-vision-instruct — мультимодальная модель Microsoft семейства Phi-3.5 с плотной архитектурой Phi3V и 3,7 млрд параметров. Она принимает текст и изображения и генерирует текст; предназначена для диалоговых приложений, которым нужно понимать изображения, документы, диаграммы и таблицы, сравнивать несколько изображений и суммировать видеоклипы по кадрам. Модель рассчитана на сценарии с ограничениями по памяти и задержке. В README заявлен контекст до 128 тысяч токенов, тогда как метаданные каталога указывают 4096 токенов. Модель обучалась на синтетических данных и отфильтрованных общедоступных веб-источниках; для улучшения следования инструкциям применялись supervised fine-tuning и direct preference optimization. README ориентирует её на коммерческое и исследовательское применение, прежде всего на английском языке, и отмечает возможности OCR, визуального рассуждения и понимания нескольких кадров. Выпущена под лицензией MIT. Качество может быть ниже для языков, отличных от английского, и для недостаточно представленных вариантов английского. Microsoft предупреждает, что модель может быть неточной, ненадёжной, несправедливой или выдавать оскорбительные ответы; для конкретных сценариев требуется оценка, особенно в областях высокого риска.

Qianfan-VL-70B — мультимодальная модель компании Baidu для работы с изображениями и текстом. Она сочетает языковую модель архитектуры Llama 3.1 с визуальным энкодером на основе InternViT и обучена для общих мультимодальных задач с усиленными возможностями распознавания текста и анализа документов. Модель рассчитана на контекст до 32 тысяч токенов и поддерживает динамическое разбиение изображений на фрагменты с разрешением до 4K. Она подходит для распознавания рукописного и печатного текста, извлечения структуры документов, анализа таблиц и графиков, ответов на вопросы по изображениям, а также визуальных и математических рассуждений. Опциональный режим Layout-as-Thought формирует промежуточное структурированное представление расположения элементов и порядка чтения. Модель принимает текст и изображения и выдаёт текстовые ответы; заявленная поддержка языков включает китайский и английский. README приводит сравнительные результаты на нескольких мультимодальных бенчмарках, но эти показатели не гарантируют качество на конкретных данных. Модель распространяется по лицензии MIT. Она имеет 70 млрд параметров, поэтому для развёртывания требуются значительные вычислительные ресурсы.

SAIFIINDUSTRIES/Qwen2.5-7B-Instruct-1M — чат-модель для генерации текста на основе Qwen2.5-7B, представленная как вариант семейства Qwen2.5-1M с длинным контекстом. В метаданных указаны архитектура Qwen2, 7,1 млрд параметров, формат safetensors и дообучение базовой модели Qwen/Qwen2.5-7B; README описывает причинную языковую модель с RoPE, SwiGLU, RMSNorm и контекстом до 1 010 000 токенов, включая генерацию до 8192 токенов. Модель предназначена для диалогов и задач генерации текста с длинными входными материалами: например, анализа объёмных документов и работы с большими контекстами. README рекомендует специальную сборку vLLM со sparse attention и методами экстраполяции контекста для эффективной работы на максимальной длине. Для обработки последовательностей в миллион токенов указано требование не менее 120 ГБ видеопамяти суммарно; при использовании прежних средств вывода возможно снижение точности на длинах свыше 262 144 токенов. Модель использует лицензию Apache-2.0. Метаданные указывают английский язык; README не приводит отдельного перечня поддерживаемых языков.

Aya Vision 8B — мультимодальная модель Cohere Labs с открытыми весами, содержащая 8 млрд параметров. Она принимает изображения и текст и генерирует текст для задач понимания визуального содержимого и диалога по изображениям. Модель построена на мультиязычной языковой модели на основе Command R7B, дополнительно обученной по рецепту Aya Expanse, и визуальном кодировщике SigLIP2-patch14-384, соединённых мультимодальным адаптером. Контекст составляет 16K токенов; изображения произвольного размера преобразуются в поддерживаемое разрешение и кодируются с использованием до 12 тайлов и миниатюры. Модель предназначена для OCR, описания изображений, визуальных рассуждений, суммаризации и ответов на вопросы по изображениям; также поддерживает текстовый ввод. Заявлена работа с 23 языками, включая русский, английский, китайский, арабский, японский и хинди. Веса распространяются по лицензии CC-BY-NC 4.0; использование также должно соответствовать политике допустимого использования Cohere Labs. Лицензия ограничивает коммерческое применение.