IV.8Государственное управление, правосудие и чрезвычайные ситуации

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.

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.

LoS Whisper-large-v3 — мультиязычная модель автоматического распознавания речи, разработанная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC) на основе дообучения openai/whisper-large-v3. Модель предназначена для транскрибации речи на испанском, каталанском, галисийском и баскском языках. Модель с архитектурой Whisper содержит 905,2 млн параметров и принимает аудио, выдавая текст. Для дообучения использовали 8 110 часов предварительно обработанных данных; объём данных по четырём языкам выравнивали для сопоставимой производительности. В обучающий набор вошли публичные и институциональные аудиоданные, включая датасеты Common Voice и 3CatParla. Модель подходит для транскрибации записей и аудиоматериалов на поддерживаемых языках. Демографические сведения о говорящих отсутствуют, поэтому в данных могут присутствовать смещения, в том числе из-за использования институциональных материалов. Лицензия — Apache-2.0.

Argus-Colqwen3.5-2b-v0 — модель для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная версия Qwen/Qwen3.5-VL-2B-Instruct с 2,32 млрд параметров и мультимодальной архитектурой: она формирует многовекторные представления визуальных токенов размерностью 1024 и сопоставляет запросы со страницами документов с помощью late interaction MaxSim. Query-conditioned mixture of experts направляет регионы страницы в специализированные эксперты с учётом запроса, поэтому представление одной страницы может меняться в зависимости от того, какую информацию ищут. Модель предназначена для извлечения релевантных страниц и документов по текстовому запросу, в том числе в задачах визуального поиска по страницам документов. В README приведены результаты на ViDoRe v1 и v2; выпуск fp32 получен объединением LoRA-адаптера с базовой моделью, также существует вариант bf16. Модель принимает текстовый запрос и изображение документа и выдаёт векторы для ранжирования релевантности. Карточка описывает её как англоязычно-ориентированную; обучение также использовало мультиязычный набор, но его доля мала. Репозиторий распространяется по лицензии Apache 2.0. Ограничения: качество на языках помимо английского не оценено в этой версии, а более сложные текстовые запросы могут обрабатываться хуже, чем более крупной 4B-моделью. Маршрутизация через экспертов добавляет около 5% к задержке инференса относительно плотной базовой модели.

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

Модель abilमानsplus/whisper-turbo-ksc2 — версия Whisper large-v3-turbo от OpenAI, дообученная разработчиком репозитория на казахском корпусе речи Kazakh Speech Corpus 2 объёмом около 1000 часов размеченного аудио из разных источников. Она предназначена для автоматического распознавания речи и преобразования казахской речи в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и распространяется в формате Safetensors для библиотеки Transformers. На тестовой части корпуса автор сообщает WER 9,16%. Для аудио длиннее 35 секунд README рекомендует разбивать запись на фрагменты по 30 секунд и объединять результаты транскрибации. Модель доступна по лицензии MIT. Указанный результат получен на конкретном тестовом разделе корпуса и не гарантирует такую же точность на других источниках, акцентах или условиях записи.

Eagle2-2B — компактная визуально-языковая модель, выпущенная NVIDIA в составе семейства Eagle2. Она предназначена для диалога и генерации ответов по тексту, изображениям и видео. Вариант 2B использует языковую основу Qwen2.5-1.5B-Instruct и визуальные компоненты PaliGemma и SigLIP; архитектура в репозитории обозначена как eagle_2_5_vl, файлы представлены в формате safetensors и модель запускается через Transformers. Модель рассчитана на распознавание содержимого изображений и видео, ответы на вопросы о визуальных данных и анализ документов и диаграмм. В README указано окно до 16 тысяч токенов; среди приведённых сравнительных результатов модель показывает сильные результаты на ChartQA и сопоставимые с другими компактными VLM результаты на DocVQA и InfoVQA. README также упоминает поддержку нескольких изображений и видео во входных данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это компактная модель, поэтому её возможности могут уступать более крупным VLM; NVIDIA рекомендует оценивать её пригодность и риски для конкретного применения. Указанная в карточке возможность интерфейса вызова инструментов не описана в README как отдельный сценарий использования.

NB-Whisper Large — модель распознавания речи и перевода аудио, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper. Вариант Large содержит 905,2 млн параметров и предназначен прежде всего для транскрибации норвежской речи, включая букмол и нюнорск, а также английской речи. Для обучения серии использовались 8 млн выровненных аудиофрагментов общей длительностью около 66 тысяч часов; карточка указывает базовую модель openai/whisper-large-v3. Модель принимает аудио и выдаёт текстовую транскрипцию; поддерживает распознавание речи и перевод речи. Для длинных записей README рекомендует обработку фрагментами примерно по 28 секунд; увеличение beam size может повысить точность ценой скорости и памяти. Для эффективной работы версии Large рекомендуется GPU. Модель распространяется по лицензии Apache 2.0. Результаты могут содержать ошибки, повторы и искажения, а качество зависит от записи и языка. Разработчики отмечают возможные смещения и возлагают на пользователей ответственность за оценку рисков и корректное применение модели.

NB-Whisper Medium Beta — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Это дообученная версия Whisper с архитектурой WhisperForConditionalGeneration и примерно 455,8 млн параметров. Модель принимает аудио и создаёт письменную транскрипцию; основное назначение — распознавание норвежской речи, также поддерживается английский язык. Обучение проводилось на 20 000 часах размеченных данных, включая норвежские речевые корпуса, парламентские выступления, телесубтитры и аудиокниги. Доступны веса в форматах PyTorch, TensorFlow, JAX/Flax, ONNX и Safetensors. Модель предназначена для общего распознавания речи и доступна третьим сторонам как публичная бета. Разработчик отмечает, что для норвежских транскрипций она показывает высокое качество относительно ASR-моделей сопоставимого размера. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

YAYI-UIE — плотная авторегрессионная языковая модель семейства YAYI UIE, разработанная командой YAYI и опубликованная wenge-research. Модель содержит 13,3 млрд параметров и дообучена инструктивно на миллионах искусственно созданных высококачественных примеров для унифицированного извлечения информации: распознавания именованных сущностей, извлечения отношений и извлечения событий. Модель предназначена для преобразования текста в структурированные результаты, например JSON с сущностями, отношениями или аргументами событий. В карточке описаны сценарии из общих и специализированных областей, включая финансы, биологию, медицину, бизнес, транспорт, промышленность и науку. README приводит примеры оценки на китайских и английских наборах данных; основной акцент модели — китайский язык. Указаны ограничения: извлечённые сведения могут содержать фактические ошибки, модель слабо распознаёт вредоносные инструкции, а качество на длинных текстах уровня абзаца требует улучшения. Лицензия в метаданных и карточке — Apache-2.0, однако README отдельно требует использовать модель и производные только в исследовательских целях и запрещает коммерческое и вредоносное применение.

MTalha056/bert-finetuned-squad — модель на архитектуре BERT для ответов на вопросы, разработанная на основе bert-base-cased и дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа из текста по заданному вопросу. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка модели не описывает обучающие данные, качество и ограничения; язык модели по имеющимся сведениям определить нельзя.

InternVL2_5-4B — мультимодальная чат-модель семейства InternVL 2.5, разработанная командой OpenGVLab. Она предназначена для диалога по изображениям, нескольких изображений и видеокадров, а также для генерации текста по запросу. Модель использует архитектуру ViT-MLP-LLM: визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-3B-Instruct; обработка изображений поддерживает динамическое разбиение на фрагменты 448×448 пикселей и высокое разрешение. Модель подходит для описания и анализа изображений, визуальных вопросов и ответов, чтения текста на изображениях, работы с несколькими изображениями и анализа видео по кадрам. Карточка описывает улучшения обучения и сохранение языковых возможностей, однако не приводит конкретных численных результатов для варианта 4B. Репозиторий использует лицензию MIT.

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.

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.

Z-Jafari/bert-base-multilingual-cased-finetuned-nestedRewrite_QA — модель на основе BERT, дообученная на google-bert/bert-base-multilingual-cased для ответа на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; архитектура — плотный энкодер BertForQuestionAnswering с 205,1 млн параметров и контекстом до 512 токенов. В карточке приведены результаты оценки: exact match 73,3 и F1 76,98. Базовая модель многоязычная, но конкретный набор языков и обучающие данные этой версии не описаны. Модель распространяется по лицензии Apache-2.0.

IndicOCR — разработанная Bodhan AI модель для распознавания текста и разбора страниц документов на английском и индийских языках. Она принимает изображение страницы и формирует упорядоченный по чтению Markdown, а также структурированные данные JSON по блокам. Система состоит из двух этапов: IndicDocLayout на базе PP-DocLayoutV3/RT-DETR обнаруживает и упорядочивает элементы страницы, а IndicBlockOCR на базе Qwen3.5-0.8B распознаёт текстовые блоки. Размеры компонентов составляют 33 млн и 0,8 млрд параметров соответственно; распознаватель использует токенизатор Sarvam-30B. Модель предназначена для OCR и разбора документов, включая печатный текст на английском и 22 индийских языках, а также рукописный текст на английском и 12 индийских языках. Она поддерживает сохранение порядка чтения, представление формул в LaTeX и таблиц в HTML или Markdown. По умолчанию изображения, диаграммы, реклама, колонтитулы и верхние/нижние колонтитулы определяются, но не передаются распознавателю; в JSON для них остаётся пустой текст. Качество распознавания рукописного текста ещё улучшается и зависит от стиля письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

paprika-whisper-lt-v3 — третье поколение модели распознавания литовской речи, созданное для kalamo.ai и дообученное на базе kristijonas/paprika-whisper-lt. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; в README указано, что она основана на whisper-large-v3-turbo и обучена на примерно 3 281 часе данных LIEPA-3. Модель принимает монофоническое аудио с частотой 16 кГц и преобразует речь в текст на литовском языке. Модель предназначена для транскрибации аудиозаписей и создания субтитров, в том числе для длинных файлов. Она рассчитана на высокую скорость работы: авторы указывают примерно 83-кратную скорость относительно реального времени и отмечают, что качество уступает некоторым более крупным литовским моделям. Вывод сохраняет разговорные формы речи, но по умолчанию содержит только строчные буквы и не содержит пунктуации; README рекомендует добавлять пунктуацию отдельным теггером. Для длинных записей README рекомендует длинноформатное декодирование и предупреждает, что сегментация фиксированными окнами может терять фрагменты речи или порождать текст на тишине. Доступ к весам предоставляется по лицензии CC BY 4.0.

nikes64/whisper-small-uk — модель распознавания речи, полученная дообучением Whisper Small от OpenAI на наборе Mozilla Common Voice 16.1. Она преобразует украинскую речь в текст и рассчитана на транскрибирование аудио. Архитектура — WhisperForConditionalGeneration с 153,1 млн параметров; веса опубликованы в формате Safetensors. В карточке приведён результат оценки на тестовой выборке: WER 26,357 и loss 0,2744. Модель предназначена для транскрибирования записей и голосовых сообщений на украинском языке. Она распространяется по лицензии Apache-2.0. Карточка не уточняет параметры аудио и дополнительные ограничения; указанная ошибка распознавания означает, что в транскриптах возможны неточности.

Модель Ali-0111/applied-nlp-ner-stage3-distilbert — дообученная Ali-0111 модель DistilBERT для распознавания именованных сущностей и классификации токенов. Она обучена на distilbert-base-cased на 644 примерах с разметкой BIO и использует 8 типов сущностей, включая суммы, профессии и местоположения. Выбор регистрозависимой версии помогает использовать заглавные буквы как сигнал при извлечении сущностей. Модель содержит около 65,2 млн параметров, сохранена в формате safetensors и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке получен общий F1 0,803; показатели для JOB и LOCATION ниже, чем для AMOUNT. Небольшой обучающий набор и заметный разрыв между обучающей и тестовой оценками указывают на риск переобучения. Лицензия в метаданных указана как unknown.

jina-vlm — компактная мультиязычная модель зрения и языка от Jina AI. Она объединяет визуальный энкодер SigLIP2-So400M с языковым декодером Qwen3-1.7B-Base и содержит 2,4 млрд параметров. Для обработки изображений произвольного разрешения модель использует перекрывающиеся фрагменты и attention pooling, сокращая число визуальных токенов в четыре раза с сохранением пространственной информации. Модель предназначена для диалога по изображениям и мультимодального понимания: она отвечает на вопросы, описывает сцены и извлекает сведения из графиков, диаграмм и документов. README приводит результаты на VQA-бенчмарках, включая многоязычные наборы, а также описывает текстовый режим и извлечение признаков. В метаданных указаны поддержка чата и языки, в том числе английский, китайский, арабский, русский, немецкий, французский, испанский и японский. Модель доступна в формате Safetensors и рассчитана на использование через Transformers, vLLM или Jina API. По приведённым в README текстовым тестам она уступает базовой Qwen3-1.7B-Base на ряде показателей; OCRBench также не является лучшим среди сравниваемых моделей. Лицензия — CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями.

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.

google/long-t5-tglobal-large — крупная англоязычная модель Google Research из семейства LongT5. Это предварительно обученный трансформер-кодировщик-декодировщик для генерации текста в формате «текст в текст», обученный восстанавливать исходный текст по искажённому входу. Архитектура использует transient-global attention, чтобы эффективнее обрабатывать длинные последовательности; в метаданных указаны 385,2 млн параметров и контекст 4096 токенов. Модель предназначена прежде всего для дообучения под суммаризацию и ответы на вопросы по длинным документам. В README приведены результаты её дообученных вариантов на наборах данных для научных статей, патентов, биомедицинских текстов и вопросов общего характера. Модель рассчитана на английский язык и принимает текст, выдавая текст. Это базовый чекпойнт, а не готовый специализированный помощник: для конкретной задачи рекомендуется supervised fine-tuning. Выпускается по лицензии Apache-2.0. Заявленная в README способность обрабатывать до 16 384 входных токенов относится к описанным экспериментам и не совпадает с контекстом 4096 токенов в метаданных репозитория.

Карточка модели fal/paligemma-3b-mix-224 на Hugging Face совпадает с карточкой google/paligemma-3b-mix-224, поэтому описание составлено по ней. PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

Rogue-27B-KR — корейская специализированная языковая модель для диалогов и пошаговых рассуждений, разработанная ginigen-ai. Она создана слиянием Darwin-27B-Opus и корейской SFT-версии Qwen, после чего дополнительно дообучена на корейских данных. По карточке, модель заняла второе место в K-AI Leaderboard и показала улучшение на тесте CLIcK по культурным и языковым знаниям Кореи. Модель имеет плотную архитектуру RogueForCausalLM на базе Qwen3.5 с гибридным механизмом GatedDeltaNet и Attention, около 21,3 млрд параметров по метаданным и контекст до 262 144 токенов. Она принимает текст и генерирует текст; README описывает корейские сценарии, включая рассуждения, работу с длинными документами, а также вопросы по культуре, истории, праву и финансам. В метаданных также перечислены английский, японский и китайский языки. Для запуска в BF16 требуется около 48 ГБ видеопамяти; доступны варианты квантования при отдельной подготовке. Модель распространяется по лицензии Apache 2.0.

juancopi81/whisper-medium-es — модель автоматического распознавания речи, созданная Juan Carlos Piñeros дообучением OpenAI Whisper Medium на наборе Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую расшифровку; карточка указывает испанский язык. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для транскрибирования испанской речи. В README приведены результаты оценки: WER 5,4218 на оценочном наборе и WER 5,88 на Google FLEURS. Модель распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные ограничения или условия, кроме лицензии.

Ąžuolas — модель распознавания литовской речи из аудиозаписей, созданная akisviete на основе Whisper large-v3 и дообученная методом SFT на корпусе LIEPA-3. В обучении использовано около 9,8 тысячи часов литовской речи: чтение, спонтанная речь и фонетические записи. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и доступна в формате safetensors для Transformers. Модель предназначена для транскрибации литовской речи, в том числе длинных записей и выступлений. В описанных тестах она показала более низкий WER, чем сравниваемые литовские модели, но работала медленнее. Лицензия — CC BY 4.0. Известное ограничение: модель может генерировать связные литовские фразы на участках тишины или фонового шума. Для длинных записей автор рекомендует использовать обработку с фильтром тишины и нарезкой аудио на паузах.

ColFlor — модель для поиска по визуальному содержимому документов, представленная авторами проекта ColFlor. Она обрабатывает страницы документов как изображения и выполняет поиск без отдельного OCR-конвейера. Модель насчитывает 174 млн параметров; авторы сообщают, что по сравнению с ColPali она в 17 раз меньше, быстрее кодирует запросы и изображения, а качество на англоязычных документах с большим количеством текста ниже на 1,8%. Репозиторий содержит веса в формате safetensors. Модель предназначена для поиска документов и страниц по текстовому запросу, в том числе в крупных базах PDF. Она рассчитана на английский язык. Авторы отмечают заметный разрыв в качестве при работе с рисунками по сравнению с более крупными моделями, такими как ColPali, и слабую работу на других языках. Лицензия — MIT.

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.

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.