IV.8Государственное управление, правосудие и чрезвычайные ситуации

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

PaliGemma 2 28B mix 448 — разработанная Google мультимодальная модель зрения и языка на основе SigLIP и языковой модели Gemma 2. Она принимает изображения и текст, а в ответ генерирует текст; вариант 448 предназначен для обработки изображений с разрешением 448 пикселей. Модель поддерживает несколько языков, однако карточка не перечисляет их коды. Модель рассчитана прежде всего на дообучение для задач взаимодействия с изображениями: создания кратких и подробных описаний, ответов на вопросы по изображению, распознавания текста, поиска объектов с координатами и сегментации. Её также можно адаптировать для анализа коротких видео и специализированных сценариев, например вопросов по снимкам дистанционного зондирования или описания элементов интерфейса. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику запрещённого использования Gemma. PaliGemma 2 ориентирована на ясные запросы и специализированное дообучение, а не на роль универсального чат-бота: модель не рассчитана на многоходовой диалог, а её результаты без адаптации могут уступать моделям общего назначения. Она может ошибаться в фактах и сложных рассуждениях, а также воспроизводить предвзятость из обучающих данных.

Argus-Colqwen3.5-9b-v0-bf16 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на базе Qwen/Qwen3.5-VL-9B-Instruct и опубликована в формате bfloat16 после слияния LoRA-весов; размер модели — 8,82 млрд параметров. Модель преобразует изображения страниц и текстовые запросы в токеновые эмбеддинги для поиска с поздним взаимодействием. Её механизм разреженной смеси экспертов учитывает запрос и область страницы при маршрутизации визуальных токенов. Модель предназначена для визуального поиска и извлечения релевантных страниц в наборах документов: например, для поиска ответов в научных статьях, отчетах и материалах с диаграммами или сложной разметкой. По README, для страницы используется до 2048 визуальных токенов, размерность эмбеддинга на токен — 1024; авторы сообщают о результатах на английских наборах ViDoRe v1 и v2. Указанная лицензия — Apache-2.0. Модель ориентирована преимущественно на английский язык. README указывает потребность примерно в 17 ГБ видеопамяти для инференса bf16 и рекомендует одну GPU с объёмом памяти от 24 ГБ. Слияние в bf16 необратимо теряет часть точности относительно fp32-варианта; измеренная разница в результатах ViDoRe мала, но v3 ещё не оценивался.

Audio Flamingo Next Captioner — модель NVIDIA для подробного описания длинных аудиозаписей с речью, окружающими звуками и музыкой. Она формирует развернутые подписи, сводки и описания событий с временными метками, а также может включать точную расшифровку речи нескольких говорящих. Модель принимает аудио длительностью до 30 минут; процессор ожидает монофонический звук с частотой 16 кГц и обрабатывает его окнами по 30 секунд. Архитектура сочетает аудиокодировщик AF-Whisper, адаптер MLP, текстовую основу семейства Qwen2.5 с расширенным контекстом и RoTE для привязки к временным отметкам. В метаданных указаны архитектура MusicFlamingo, библиотека Transformers и формат safetensors; карточка описывает контекст до 128K токенов, тогда как метаданные указывают 1200 токенов. Модель предназначена для плотных, связных описаний и сводок аудио, разбивки сцены по времени и описания речи, звуковых событий и фона. Она может быть многословной и ориентирована на подписи, а не на поведение ассистента; для диалоговых ответов и явных рассуждений автор рекомендует другие варианты семейства. Ограничения включают неравномерное покрытие языков и предметных областей, слабое представление низкоресурсных языков и редких событий, а также трудности рассуждений по разреженным данным на большом временном интервале. Лицензия — other; автор указывает, что модель предназначена только для некоммерческих исследований.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

PaliGemma — компактная модель «зрение—язык» на 3 млрд параметров, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст, а в ответ генерирует текст; в README описаны входные изображения 224 × 224 и последовательности текста длиной до 128 токенов. Модель представлена в формате safetensors и предназначена прежде всего для дообучения под конкретные задачи, а не для диалога. После настройки под задачу PaliGemma подходит для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. README также приводит примеры специализированных сценариев: вопросы по снимкам дистанционного зондирования, помощь незрячим пользователям в понимании изображений и анализ элементов интерфейса. Упомянута поддержка нескольких языков, но конкретные языки для этой модели не перечислены. Модель может ошибаться в фактических ответах и испытывать трудности со сложными открытыми запросами, нюансами языка и здравым смыслом. Качество без дообучения под конкретную задачу может уступать специализированным моделям; PaliGemma рассчитана на один раунд ввода изображения и текста. Указана лицензия Gemma.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

WaltonFuture/Qwen2.5VL-7b-RLCS — мультимодальная модель WaltonFuture на архитектуре Qwen2.5-VL с 7,1 млрд параметров. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала методом supervised fine-tuning на данных cold start, затем с помощью GRPO на мультимодальных данных для обучения с подкреплением. Модель принимает текст и изображения и предназначена для диалоговых задач, требующих визуального анализа и рассуждений по изображению. Контекст составляет до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers; лицензия — Apache-2.0.

team-lucid/trocr-small-korean — корейская модель распознавания текста на изображениях семейства TrOCR, разработанная на архитектуре VisionEncoderDecoder. Она состоит из визуального трансформерного энкодера, инициализированного весами DeiT, и текстового трансформерного декодера с собственными весами RoBERTa. Модель обучалась на 6 млн синтетических изображений, созданных с помощью SynthTiger, при поддержке Google TPU Research Cloud. Модель предназначена для извлечения текста из изображений, прежде всего для распознавания корейского текста. Может применяться для оцифровки изображений с текстом и распознавания строк. Репозиторий содержит веса PyTorch, Flax и Safetensors. Лицензия — Apache 2.0.

skydheere/wav2vec2-large-mms-1b-somalia — модель распознавания речи на основе wav2vec2-large, дообученная на facebook/mms-1b-all с использованием набора данных xtreme_s. Она принимает аудио и преобразует речь в текст; репозиторий указывает архитектуру Wav2Vec2ForCTC и размер около 1,3 млрд параметров. На оценочной выборке приведены loss 0,5553 и WER 0,4330. Карточка не описывает поддерживаемый язык и условия применения подробнее. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

arinze/address-match-abp-v1 — модель на базе BERT, опубликованная пользователем arinze. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для сопоставления адресов по смысловому сходству и поиска близких текстовых записей. Использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

Это англоязычная модель Sentence Transformer, разработанная автором репозитория bbmb и дообученная на данных json от sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные семантические векторы размерностью 384 для поиска и сравнения текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают контекст до 512 токенов, а карточка — максимальную длину последовательности 256 токенов. Модель ориентирована на английские тексты и поддерживает оценку сходства, семантический поиск, поиск перефразирований, кластеризацию и классификацию текстов. В README приведены низкие значения cosine_accuracy для информационного поиска, поэтому качество на практических данных следует проверять отдельно. Лицензия Apache-2.0.

LocateAnything-3B-GGUF — это GGUF-версия мультимодальной vision-language модели LocateAnything, разработанной NVIDIA в рамках семейства Eagle VLM. Модель предназначена для визуального grounding: локализации объектов по текстовому запросу, плотного обнаружения нескольких объектов, определения GUI-элементов, текстовых областей и точек на изображении. Она ориентирована на исследовательские и прикладные сценарии в робототехнике, автономном вождении, анализе документов, промышленной инспекции, наблюдении, дистанционном зондировании и построении мультимодальных агентов. Поддерживается английский язык. Архитектура основана на Qwen2.5-3B-Instruct в качестве языковой модели и vision encoder MoonViT-SO-400M. Ключевая особенность — Parallel Box Decoding: координаты ограничивающих рамок предсказываются параллельно за один шаг вместо авторегрессионного декодирования по токенам. Это повышает эффективность, сохраняет геометрическую согласованность и, по заявлению разработчиков, обеспечивает до 2,5 раза большую пропускную способность по сравнению с предыдущими подходами. Обучение проводилось на наборе из 12 млн изображений, более 138 млн запросов и 785 млн ограничивающих рамок из различных предметных областей. GGUF-сборка создана с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что может улучшать качество при заданном уровне квантования ценой увеличения размера файла. Ограничения включают исследовательский статус модели, неизвестные из карточки точные параметры контекстного окна и результаты бенчмарков для конкретных GGUF-квантований, а также зависимость качества от выбранного формата и уровня квантования. Модель распространяется по NVIDIA License для некоммерческого использования: разрешены академические и некоммерческие исследования, коммерческое применение запрещено, кроме NVIDIA и её аффилированных лиц.

kaiz0603 дообучил мультимодальную модель Qwen3-VL-4B-Instruct для диалогового взаимодействия с изображениями. Она принимает текст и изображения и формирует текстовые ответы; архитектура Qwen3-VL — плотная модель с 4 млрд параметров. Модель подходит для вопросов по изображениям, визуального анализа и OCR. В метаданных также заявлен интерфейс вызова инструментов, но сведения о его настройке в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

TabPFN-2.5 — трансформерная модель для прогнозирования по структурированным таблицам, разработанная Prior Labs. Она использует обучение в контексте и выполняет предсказание одним прямым проходом. Репозиторий содержит классификационные и регрессионные контрольные точки; метаданные каталога указывают задачу tabular-classification. Архитектура основана на TabPFN v2 и использует чередующееся внимание в 18–24 слоях. Модель предназначена для классификации и регрессии на наборах до 50 000 строк и 2 000 признаков. Базовые контрольные точки обучены на синтетических табличных задачах; некоторые варианты дополнительно дообучены на реальных данных. Она не предназначена для неструктурированных текстов и изображений. В README указаны результаты на нескольких бенчмарках, однако подробности приведены в техническом отчёте. Лицензия tabpfn-2.5-license-v1.1 разрешает исследования, внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование весов, производных моделей и их результатов без отдельной коммерческой лицензии. Качество может снижаться за пределами указанных размеров таблиц; для задач высокого риска следует проверять обучающие метки на смещения.

Viraj Patil дообучил Whisper Small MR v4 для автоматического распознавания речи на маратхи. Модель принимает аудио и преобразует речь в текст; в метаданных указана архитектура Whisper с 153,1 млн параметров. Для обучения использовались данные Common Voice 17.0 и Google FLEURS; метаданные также связывают модель с наборами Common Voice 19.0 и Google Marathi. На оценочном наборе указаны Loss 0,2496 и WER 34,1242. Модель распространяется под лицензией Apache-2.0.

Qwen2.5-VL-72B-Instruct — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; репозиторий unsloth содержит вариант модели в формате GGUF. Модель предназначена для обработки изображений, текста и видео, включая визуальные вопросы и ответы, распознавание текста, анализ документов, таблиц, графиков и макетов, а также извлечение структурированных данных из счетов, форм и сканов. Модель содержит 72 миллиарда параметров и основана на Qwen2.5-VL. Она использует vision-language архитектуру с оптимизированным vision encoder на базе ViT, оконным вниманием, SwiGLU и RMSNorm. Для видео применяются динамические разрешение и частота кадров, что позволяет анализировать длительные ролики продолжительностью более часа и находить релевантные временные сегменты. Модель также поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, стабильный JSON-вывод координат и атрибутов, а также сценарии компьютерного и мобильного управления. В метаданных указан английский язык; поддержка китайского также отражена в результатах OCRBench-V2. К сильным сторонам относятся анализ сложных визуальных материалов, OCR, понимание документов и графиков, обработка длинных видео, локализация объектов и формирование структурированных ответов. Ограничениями являются большой размер модели и, как следствие, высокие требования к вычислительным ресурсам; конкретные требования к памяти и производительности в README не указаны. Модель распространяется по лицензии Qwen; точные условия следует уточнять в файле лицензии по указанной ссылке.

Llama-3 70B Gradient Instruct 524K — языковая модель Gradient, созданная при поддержке вычислительных ресурсов Crusoe Energy на основе Meta-Llama-3-70B-Instruct. Это плотная модель семейства Llama с 69,5 млрд параметров, предназначенная для генерации текста в диалогах и работы с длинными контекстами. Авторы сообщают о расширении контекста исходной модели с 8 тысяч до более чем 524 тысяч токенов за счёт настройки RoPE theta и обучения примерно на 400 млн токенов суммарно; нативная длина контекста по метаданным — 524 288 токенов. Модель подходит для диалоговых помощников, анализа длинных документов и других сценариев, где запрос и большой объём исходного текста нужно учитывать одновременно. Карточка рекомендует Transformers или TGI для запуска. Модель принимает и выдаёт текст; в метаданных указан английский язык. Лицензия — Llama 3, с условиями использования Meta Llama 3 Community License. Как и другие большие языковые модели, она может ошибаться и требует проверки ответов и настройки защитных мер под конкретное применение.

Llama-Krikri-8B-Instruct — инструктивная языковая модель ILSP для общения и выполнения текстовых задач, разработанная на базе Llama-Krikri-8B-Base. Это плотная модель семейства Llama с 7,6 млрд параметров и контекстом до 131 072 токенов. Базовую модель ILSP продолжительно обучали на греческих и английских текстах, а Instruct-версию дополнительно настроили на инструкциях и диалогах на греческом и английском языках. Модель предназначена для генерации и редактирования текста, суммаризации, ответов по нескольким документам, перевода между греческим и английским, а также перевода с этих языков на французский, немецкий, итальянский, португальский и испанский. Карточка также заявляет возможности структурированного извлечения данных, программирования, использования инструментов и решения задач в юридической, финансовой, медицинской и научной областях. Веса доступны в формате safetensors; для применения авторы рекомендуют официальные квантованные версии GGUF и MLX. Лицензия — Llama 3.1 Community License. Результаты для отдельных задач могут различаться; заявленные возможности специализированных областей не заменяют экспертную проверку.

Qwen2.5-7B-Instruct-1M — разговорная модель генерации текста из семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалога, ответов на вопросы, работы с длинными документами и другими задачами, где нужно учитывать большой объём контекста. Модель построена на архитектуре Qwen2 с причинно-следственной языковой моделью и 7,1 млрд параметров по метаданным. Карточка семейства указывает на RoPE, SwiGLU, RMSNorm и контекст до 1 010 000 токенов; генерация ограничена 8192 токенами. Модель дообучена на базе Qwen/Qwen2.5-7B, поддерживает чат и интерфейс вызова инструментов. Указанные языковые сведения подтверждают английский, но сами по себе не доказывают поддержку только одного языка. Для работы с контекстом около миллиона токенов README рекомендует специальную сборку vLLM и указывает потребность как минимум в 120 ГБ видеопамяти суммарно для версии 7B. В прежних средах выполнения качество может снижаться на последовательностях длиннее 262 144 токенов. Лицензия — Apache-2.0.

Qwen2.5-VL-32B-Instruct — мультимодальная инструкция-модель семейства Qwen2.5-VL, разработанная командой Qwen. Это плотная модель с 32 млрд параметров на архитектуре Qwen2_5_VL, предназначенная для диалога и анализа изображений и видео; используется через Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель распознаёт объекты и текст на изображениях, анализирует диаграммы, графики и макеты, отвечает на вопросы по визуальным материалам, формирует структурированные данные и локализует объекты с помощью координат, рамок или точек. Она также поддерживает понимание длинных видео с указанием временных отрезков и может выступать визуальным агентом для сценариев управления компьютером или телефоном. README сообщает об улучшенных математических рассуждениях, логике и ответах на вопросы о знаниях. Карточка указывает контекст до 128 000 токенов в метаданных; README уточняет, что базовая конфигурация рассчитана на 32 768 токенов, а для более длинных текстов применяется YaRN. Для изображений поддерживается динамическое разрешение с компромиссом между качеством, скоростью и расходом памяти; для видео в текущем описании поддерживаются локальные файлы. Модель ориентирована на английский язык согласно языковым тегам карточки. Результаты бенчмарков приведены в README, но не гарантируют качество в конкретном сценарии.

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.

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.

Qwen2.5-VL-7B-Instruct — мультимодальная модель семейства Qwen от команды Qwen, дообученная для следования инструкциям. Она принимает изображения и видео вместе с текстовыми запросами и генерирует текстовые ответы; число параметров — 7,1 млрд, архитектура — плотная Qwen2.5-VL. Модель предназначена для визуального анализа, диалога по изображениям и видео, распознавания текста и структуры документов, а также для сценариев визуального агента. Модель распознаёт объекты и анализирует текст, диаграммы, графики, значки и макеты на изображениях, может локализовать объекты с помощью рамок или точек и формировать структурированные данные, например содержимое счетов, форм и таблиц. Для видео заявлена обработка роликов длительностью более часа и поиск релевантных моментов. В метаданных указан контекст до 128 000 токенов; README описывает конфигурацию на 32 768 токенов и расширение контекста YaRN до более длинных входов, которое может ухудшать пространственную и временную локализацию. Поддерживаются английский и чатовый режим; для входных изображений доступно динамическое разрешение, а обработка видео в описанном интерфейсе рассчитана на локальные файлы. Лицензия — Apache-2.0.

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.

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

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.

Карточка модели JSCreatorPro/offline-vision-qwen25-vl-7b на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-7B-Instruct — мультимодальная инструкционная модель семейства Qwen, представленная в репозитории Unsloth на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная архитектура Qwen2.5-VL с 7,1 млрд параметров, поддерживающая диалоговую работу с изображениями; длина контекста составляет 32 768 токенов. Модель принимает изображения и текстовые запросы, а отвечает текстом, в том числе может выдавать структурированные данные и координаты объектов. Модель предназначена для анализа изображений и документов, распознавания текста, таблиц, диаграмм и макетов, визуальных вопросов и ответов, а также понимания видео и локализации событий. Карточка описывает возможности визуального агента для взаимодействия с интерфейсами и инструментами. Динамическое разрешение позволяет настраивать баланс качества, скорости и расхода памяти. В README приведены результаты на бенчмарках изображений, видео и экранных интерфейсов. Для обработки изображений высокого разрешения требуется больше вычислений; поддержка видео зависит от используемой библиотеки, а видеофайлы подаются локально. Увеличение контекста с YaRN может ухудшить временную и пространственную локализацию. Лицензия — Apache-2.0.

InternVL2-Llama3-76B — мультимодальная инструкция-модель OpenGVLab из семейства InternVL 2.0, объединяющая визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую модель Hermes-2-Theta-Llama-3-70B. Модель содержит 76 млрд параметров, использует архитектуру InternVLChatModel и доступна в формате Safetensors для Transformers. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. Она предназначена для понимания документов, диаграмм, инфографики и сцен с текстом, OCR, визуальных вопросов и ответов, научных и математических задач, а также анализа нескольких изображений и видео. В README указано контекстное окно 8 тысяч токенов; обучение включало длинные тексты, несколько изображений и видео. Карточка обозначает модель как мультиязычную, но не перечисляет конкретные поддерживаемые языки. Модель подходит для визуального анализа и диалоговых сценариев, однако для видео в описанных оценках использовались 16 кадров, уменьшенных до 448×448 пикселей. Для больших запросов с несколькими изображениями расходуется больше токенов. Лицензия — Llama 3; перед использованием следует учитывать её условия.

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.