IV.9Медиа, журналистика, культура, архивы и игры

Модель Impresso HIPE-2022 NER — компактная многоязычная BERT-модель для распознавания именованных сущностей в исторических газетах. Её разработал проект Impresso, дообучив dbmdz/bert-medium-historic-multilingual-cased на наборе impresso-project/ner-augmentation для задачи HIPE-2022. Модель выполняет токен-классификацию по схеме IOB2 и выделяет сущности категорий NE-COARSE-LIT: людей, организации, места, продукты и временные выражения. Она рассчитана на французские, немецкие и английские тексты; размер составляет 49,9 млн параметров, контекст — до 512 токенов. В тестовой оценке на уровне сущностей указан F1 0,7022; F1 для мест — 0,8028, для организаций — 0,3944. Эти результаты показывают неодинаковое качество по категориям, особенно ограниченное распознавание организаций. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Это модель распознавания именованных сущностей для исторических газет, разработанная проектом Impresso. Она дообучена на основе jhu-clsp/mmBERT-base на наборе impresso-project/ner-augmentation для задачи HIPE-2022 и входит в конвейер Impresso NER. Модель использует архитектуру ModernBERT с 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Она размечает текст по схеме IOB2, выделяя персон, организации, места, продукты и временные выражения. Поддерживаются французский, немецкий и английский языки; для немецкого в README приведены результаты на тестовом наборе HIPE 2020, включая entity-level F1 0,7950. Модель подходит для извлечения сущностей из исторических газетных текстов. Вес опубликован в формате safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Open Diffusion V3 (OD-v3) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML и предназначенная для использования через Diffusers. Пользователь передаёт текстовый запрос, а модель выдаёт изображение; карточка приводит пример генерации сцены с астронавтом на лошади. В метаданных указаны форматы Diffusers, PyTorch и safetensors, а также языки en, fr и ru. Модель опубликована под лицензией CreativeML-OpenRAIL-M. Сведения о размере модели, длине контекста и конкретных ограничениях качества в карточке и метаданных отсутствуют.

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.

Perception Language Model (PLM) — семейство мультимодальных моделей Meta для понимания изображений и видео; эта карточка относится к варианту PLM8B. Модель сочетает визуальный энкодер с языковым декодером менее чем на 8 млрд параметров и доступна в формате Safetensors для работы с библиотекой Transformers. В README описаны обучение и оценка модели, а также результаты на наборах тестов для визуальных вопросов, OCR, понимания графиков и пространственно-временных аспектов видео. PLM предназначена для диалога по изображениям и видео, ответов на вопросы о визуальном содержимом и детального анализа сцен и событий. Разработчики сообщают, что при обучении исследовали масштабирование синтетических данных и создали набор из 2,8 млн примеров с разметкой людей; в описанном стандартном обучении не использовалась дистилляция закрытых моделей. Карточка не приводит отдельные численные оценки ограничений модели или длину контекста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Photo Movie X Final — дообученная на базе Yntec/photoMovieX модель Stable Diffusion от Yntec для создания изображений по текстовым описаниям. Примеры в карточке ориентированы на реалистичные портреты, кинематографичные сцены и иллюстрации с детализированной, выразительной стилизацией. Модель принимает текстовые запросы и генерирует изображения. Она распространяется в формате Diffusers с весами safetensors; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели или длину контекста.

Photon-v1 — модель генерации изображений по текстовому описанию, опубликованная sam749. Это начальный выпуск модели семейства Stable Diffusion, доступный для использования через библиотеку Diffusers в форматах Diffusers и safetensors. Модель ориентирована на создание фотореалистичных изображений по текстовым запросам. Модель подходит для генерации портретов, персонажей и детализированных сцен по промптам. Автор отмечает, что на этом этапе генерация кистей рук может быть несовершенной. Модель распространяется по лицензии CreativeML OpenRAIL-M; использование должно соответствовать её условиям.

Модель harness-race/pi-r3 — детектор объектов на базе DETR с ResNet-50, дообученный на датасете Beyond Words для анализа исторических газетных страниц времён Первой мировой войны из коллекции Library of Congress, Chronicling America. Она находит и обводит рамками семь видов содержимого: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и рекламные объявления. Модель предназначена для автоматической разметки сканов американских газет 1910-х годов, например для поиска и локализации визуальных материалов и газетных элементов. На проверочной выборке указана метрика mAP 0,113 при IoU 0,5–0,95 и mAP@0,5 0,2466. Репозиторий содержит веса в формате safetensors; архитектура и веса модели распространяются по лицензии Apache-2.0.

Prodigy — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это смесь Protogen 2.2 и фотореалистичных моделей; в веса встроен VAE 840K. Модель предназначена для создания изображений в разных стилях, включая фотореализм, аниме и иллюстрацию. Модель работает на базе Stable Diffusion 1.5 и распространяется в форматах Diffusers и Safetensors. Примеры в карточке охватывают портреты, кинематографические сцены, персонажей и яркие цифровые иллюстрации. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует проверить на странице репозитория.

ProtoGen X3.4 1111 — модель преобразования текстовых запросов в изображения, опубликованная аккаунтом Stable Diffusion API и доступная через библиотеку Diffusers. Она предназначена для генерации изображений по текстовому описанию; в метаданных модель отмечена как ориентированная на ультрареалистичный стиль. README описывает доступ к генерации через API ModelsLab. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Указана лицензия CreativeML OpenRAIL-M. README не приводит сведений об архитектуре, размере, языках запросов или контексте, поэтому эти характеристики здесь не уточняются.

QGO 10a — модель генерации изображений по текстовому описанию, опубликованная Yntec в формате Diffusers для Stable Diffusion. В карточке указана версия без EMA с VAE 840K, встроенным в модель; примеры показывают генерацию фотореалистичных портретов и сцен с аналоговой фотостилизацией. Модель предназначена для создания изображений по текстовым промптам, в частности портретов, персонажей и атмосферных сцен. В метаданных указаны форматы Diffusers и safetensors, а также лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Это 4-битная версия модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель принимает текст и изображения и формирует текстовые ответы; архитектура — плотная Qwen2.5-VL для условной генерации. Размер базовой модели — 3,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалогового анализа изображений и визуальных вопросов и ответов. Её можно использовать для описания изображений, извлечения сведений из визуальных материалов и построения структурированных ответов; метаданные также отмечают интерфейс вызова инструментов. В карточке сообщества подробности возможностей отсылаются к оригинальной карточке Qwen2.5-VL-3B-Instruct. Лицензия в предоставленных сведениях не указана.

Это 8-битная версия Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community: исходную модель преобразовали в формат MLX с помощью mlx-vlm 0.1.11. Она принимает текст и изображения и предназначена для диалогового анализа визуального содержимого, включая ответы на вопросы по изображениям и генерацию текстовых ответов. Модель имеет плотную архитектуру Qwen2.5-VLForConditionalGeneration, около 71,5 млрд параметров и контекст до 128 000 токенов; заявлены чат и интерфейс вызова инструментов. Модель подходит для мультимодальных сценариев, где нужно сочетать текстовые запросы с изображениями. В карточке этой версии не приведены подробности об обучении, видеовозможностях или поддерживаемых языках сверх английского в тегах; сведения о применении и ограничениях следует сверять с карточкой исходной модели. Лицензия указана как other, поэтому условия использования нужно уточнить в оригинальной карточке Qwen/Qwen2.5-VL-72B-Instruct.

wangkanai/qwen2.5-vl-7b-instruct — мультимодальная instruction-tuned модель семейства Qwen 2.5, опубликованная пользователем wangkanai. Она предназначена для анализа изображений и генерации текстовых ответов в сценариях визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа графиков и диаграмм, а также мультимодального диалога и других задач image-to-text. Модель построена на архитектуре Qwen2.5-VL с vision-language Transformer и ViT-ориентированным визуальным энкодером, содержит около 7 миллиардов параметров и принимает текст и изображения в форматах JPEG, PNG и WebP, возвращая естественный язык. Заявленная длина контекста составляет 4096 токенов с учётом текста и изображения. Доступны варианты FP16 SafeTensors и GGUF, включая квантованные Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сочетание визуального понимания, следование инструкциям и поддержка разнообразных мультимодальных задач. Ограничения включают относительно короткий заявленный контекст, зависимость требований к ресурсам от формата и возможные потери качества при квантовании. Это abliterated-версия с уменьшенными или удалёнными ограничениями на отказы, поэтому её ответы могут быть менее безопасными и требуют дополнительного контроля при использовании. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-72B-Instruct — мультимодальная модель компании Qwen, дообученная для следования инструкциям на основе Qwen/Qwen2-VL-72B. Она принимает текст и изображения, а также видео для визуального анализа, и формирует текстовые ответы. Модель содержит 71,5 млрд параметров, использует архитектуру Qwen2-VL с динамическим разрешением изображений и мультимодальным позиционным кодированием M-ROPE; длина контекста составляет 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и видео, анализа документов и визуального содержимого, а также диалога и создания текстового описания по визуальному материалу. Она поддерживает разные разрешения и пропорции изображений; в README также описана возможность интеграции в системы, управляющие устройствами по визуальному окружению и текстовым инструкциям. Видеовход ограничен локальными файлами, а аудио в видео модель не понимает. Согласно README, известные ограничения включают неточный подсчёт объектов, слабое пространственное рассуждение, трудности со сложными многошаговыми инструкциями и ограниченное распознавание конкретных людей и объектов интеллектуальной собственности. Данные об изображениях актуальны до июня 2023 года. Модель распространяется под лицензией с меткой Hugging Face «other»; конкретные условия лицензии следует сверить в карточке репозитория.

jaykwok/Qwen3-ASR-0.6B-JA-Anime-Galgame-hf — преобразованная для нативной загрузки через Hugging Face Transformers версия дообученной модели Qwen3-ASR-0.6B. Веса сохранены без изменений, а структура репозитория и ключи тензоров приведены к формату официального шаблона Qwen3-ASR. Модель предназначена для распознавания японской речи в аниме и галгеймах, включая транскрибацию аудио. Модель использует архитектуру Qwen3-ASR с аудиобашней и языковой моделью; файлы весов представлены в safetensors. Для нативной поддержки требуется Transformers версии 5.13.0 или новее. Репозиторий распространяется по лицензии Apache-2.0. README рекомендует оценить качество на собственных данных перед применением в production.

oddadmix/qwen3-asr-1.7b-arabic-dialectal-v2 — дообученная oddadmix модель распознавания речи на базе Qwen/Qwen3-ASR-1.7B-hf с архитектурой Qwen3-ASR и 1,7 млрд параметров. Она предназначена для транскрибации арабской речи с разных диалектов в текст; модель обучена на сбалансированном по диалектам наборе oddadmix/lahgtna-v3-small. В карточке приведены результаты на тестовой выборке примерно из 2600 аудиофрагментов: WER 0,478 и CER 0,182 при оценке нормализованного текста без диакритики. По опубликованным примерам и метрикам качество различается между диалектами: легче распознаются Gulf/Levantine, а магрибские диалекты сложнее. Модель принимает аудио и выдаёт текст, работает через Transformers; длина контекста не указана. Веса распространяются по лицензии Apache-2.0. Результаты карточки относятся к указанному тестовому набору, поэтому качество на других записях и условиях может отличаться.

Это дообученная версия Qwen3-ASR-1.7B, разработанная для распознавания речи на центральнокурдском языке, также известном как сорани (ckb). Модель принимает аудио и преобразует речь в текст; она создана для языка с ограниченными ресурсами и распространяется в формате safetensors. Модель хорошо справляется с формальной и стандартной речью: новостями, аудиокнигами и выступлениями, выдавая корректное написание, грамматику и пунктуацию. В региональных диалектах, включая диалект Эрбиля, и быстрой разговорной речи точность может снижаться, хотя модель стремится передать услышанное подходящей курдской орфографией. Чекпойнт также можно использовать как основу для дальнейшей настройки под специализированную лексику или региональные варианты речи. Модель выпущена под лицензией Apache-2.0. Карточка не приводит количественных оценок качества или подробностей обучающих данных.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — мультимодальная модель для понимания изображений и генерации текста, разработанная prithivMLmods. Она является GGUF-версией дообученной модели Qwen3-VL-8B-Abliterated-Caption-it, созданной на основе Qwen3-VL-8B-Instruct и адаптированной для подробного, менее ограниченного описания изображений. Модель предназначена прежде всего для image captioning и image-to-text задач: формирования детализированных описаний изображений, включая сцены со сложным, чувствительным или неоднозначным содержанием. Указана поддержка языков English, Chinese и Thai, а также различных соотношений сторон и разрешений изображений. Модель относится к классу VLM и использует архитектуру Qwen3-VL с 8B параметров; для обработки изображений требуется совместимый mmproj-файл. Распространяется в многочисленных GGUF-квантизациях от IQ1 и Q2_K до Q8_0, а также в формате F16 размером 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. README не содержит результатов бенчмарков, точного размера контекста или подробностей аппаратных требований, поэтому производительность и пригодность для конкретных сценариев следует проверять отдельно. Модель и файлы распространяются по лицензии Apache-2.0.

OPPOer/Qwen-Image-10B — дообученная модель генерации изображений по текстовому описанию, опубликованная OPPOer и основанная на Qwen/Qwen-Image. Она предназначена для создания изображений по запросам на английском и китайском языках; в метаданных также указан датасет OPPOer/X2Edit-Dataset, связанный с редактированием изображений. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0.

unsloth/Qwen-Image-2.1-GGUF — это квантованная в формате GGUF версия модели Qwen-Image-2.1, разработанной командой Qwen и адаптированной Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает английский и китайский языки. Визуальный генератор содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. Архитектура использует mixed-granularity attention и повторное использование prefix KV cache для снижения вычислительных затрат. Модель умеет создавать обычные и прозрачные RGBA-изображения, редактировать прозрачные слои, извлекать объекты из фотографий и выполнять редактирование с использованием до 10 референсных изображений, локальных пометок и масок. Заявлены улучшения в передаче текстур, типографики, освещения портретов и мелких деталей. Сильными сторонами являются сочетание качества, эффективности, генерации и редактирования в одной модели, а также поддержка прозрачности и сохранения идентичности людей и товаров при редактировании. GGUF содержит только denoiser, поэтому для работы необходимы совместимые VAE и текстовый энкодер Qwen3-VL-8B-Instruct. В README не указаны максимальный контекст, полный перечень поддерживаемых разрешений и системные требования. Лицензия указана как qwen-research; версия распространяется с ограничениями лицензии Qwen Research.

Это 4-битная MLX-квантизация Qwen/Qwen-Image-2.1, подготовленная toxicdog для локального запуска на компьютерах Mac с Apple silicon. Базовая модель объединяет генерацию и редактирование изображений; визуальный генератор содержит 7 млрд параметров и 32 слоя DiT с однопоточной архитектурой, а для кодирования текста используется Qwen3-VL 8B. Модель создаёт изображения по текстовым запросам, редактирует изображения с использованием до 10 референсов, масок и нарисованных пометок, а также поддерживает прозрачный RGBA-вывод и многоязычный текст внутри изображений. Конверсия выполнена в MLX с 4-битным аффинным квантованием линейных весов; VAE сохранён в bf16. Это чекпойнт MLX, он не является готовым чекпойнтом для Diffusers или PyTorch и рассчитан на совместимый пользовательский рантайм. В README указана лицензия исходной модели как other; условия лицензии следует сверить с карточкой базовой модели.

Qwen-Image-2512-4bit-MLX — 4-битная версия текстовой модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для работы на Apple Silicon. Репозиторий содержит веса в формате safetensors, оптимизированные для MLX и запуска через mflux. Модель создаёт изображения по текстовым запросам; её можно использовать для генерации фотореалистичных сцен и других изображений из описаний. Базовая Qwen-Image-2512 отмечена улучшенной реалистичностью людей, детализацией природных сцен и отрисовкой текста. Квантизация до 4 бит снижает требования к памяти: в README для этой версии указано 24 ГБ. Для запуска README предлагает библиотеку mflux и команду mflux-generate-qwen. Модель рассчитана на Apple Silicon. Лицензия — Apache-2.0.

Qwen-Image-2512-6bit-MLX — 6-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на Apple Silicon. Репозиторий использует MLX и библиотеку mflux; для генерации изображений по текстовому запросу указана команда mflux-generate-qwen. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста. Вариант использует 6-битное представление весов; в README для него указан объём 29 ГБ. Модель распространяется по лицензии Apache-2.0. Она рассчитана на Apple Silicon и соответствующий стек MLX/mflux; переносимость на другие аппаратные платформы в карточке не заявлена.

unsloth/Qwen-Image-2512-GGUF — это GGUF-квантизированная версия фундаментальной модели Qwen-Image-2512 для генерации изображений по текстовому описанию. Базовую модель разработала команда Qwen, а данную версию подготовила Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для сценариев text-to-image, включая создание реалистичных изображений людей, природных сцен, животных, иллюстраций и композиций с текстовыми элементами. Модель поддерживает английский и китайский языки. Она ориентирована на повышение реалистичности людей, детализацию природных объектов, а также точность и качество отображения текста и мультимодальных композиций. GGUF-квантизация снижает требования к ресурсам, а критически важные слои переведены в более высокую точность; конкретный размер модели, параметры, контекст и варианты квантования в README не указаны. Для запуска рекомендуются ComfyUI или stable-diffusion.cpp; также упоминается интеграция с инструментами ComfyUI-GGUF. Ограничениями являются зависимость от совместимого программного обеспечения и отсутствие в карточке подробностей о производительности, требованиях к оборудованию и точной конфигурации. Модель распространяется по лицензии Apache-2.0.

Это конвертированная версия модели редактирования изображений Qwen/Qwen-Image-Edit-2509, подготовленная lite-infer для загрузки через Diffusers Nunchaku Lite. Трансформер использует квантизацию Nunchaku Lite SVDQ NVFP4 с рангом 32; текстовый энкодер сжат BitsAndBytes до 4-битного NF4 с вычислениями в bfloat16. В исходный чекпойнт уже объединена Lightning LoRA для генерации за 8 шагов. Модель предназначена для редактирования изображения по текстовому запросу. В README приведён замер для 8 шагов на входе 1248×832: средняя задержка составила 10,24 секунды, пиковое выделение видеопамяти — 21,57 ГиБ; результаты относятся к указанной конфигурации и оборудованию замера. README не сообщает поддерживаемые языки и лицензию, поэтому эти характеристики здесь не уточняются.

Это 4-битная NF4-квантизованная версия Qwen-Image-Edit-2511, опубликованная seochan99 и предназначенная для редактирования изображений по текстовым инструкциям. Модель работает через библиотеку Diffusers и использует формат BitsAndBytes NF4 с вычислениями в bfloat16; квантизованы text encoder и transformer. По данным карточки, потребление видеопамяти составляет около 17 ГБ против примерно 40 ГБ у исходной версии BF16. Модель поддерживает редактирование одного или нескольких изображений, объединение изображений в общую сцену, перенос стиля и сохранение согласованности персонажей. Карточка сообщает о тестировании на NVIDIA RTX 4090. Лицензия репозитория — Apache-2.0.

Это FP8-квантизированная версия Qwen/Qwen-Image-Edit-2511, подготовленная для работы с библиотекой Hugging Face Diffusers и конвейером QwenImageEditPlusPipeline. Квантизация FP8 формата torch.float8_e4m3fn применена к компоненту transformer; репозиторий содержит веса в формате safetensors. Модель предназначена для редактирования изображений по текстовым инструкциям на основе исходного изображения. Модель подходит для внесения заданных пользователем изменений в изображения и для сценариев редактирования сцен или персонажей с сохранением визуальной согласованности. Это производный вариант модели Qwen, а не отдельная обученная с нуля модель. Репозиторий распространяется по лицензии Apache 2.0. Сведения об архитектуре, обучении и оценках качества приведены в карточке базовой модели.

unsloth/Qwen-Image-Edit-GGUF — квантизированная в формате GGUF версия модели Qwen-Image-Edit, разработанная Unsloth на базе 20B-модели Qwen-Image от команды Qwen. Модель предназначена для редактирования изображений по текстовым инструкциям и относится к задачам image-to-image. Она поддерживает одновременное управление визуальной семантикой и внешним видом изображения. Модель подходит для добавления, удаления и изменения объектов, локального редактирования с сохранением остальных областей, стилизации, переноса стиля, поворота объектов и создания оригинальных персонажей или визуальных концепций. Она также умеет редактировать текст внутри изображений на китайском и английском языках, сохраняя исходные шрифт, размер и стиль. Для визуального семантического контроля используется Qwen2.5-VL, а для контроля внешнего вида — VAE Encoder. Разработчики заявляют высокие результаты на нескольких публичных бенчмарках редактирования изображений. Сильные стороны модели — сочетание семантического и низкоуровневого редактирования, точная работа с китайским и английским текстом и применение Unsloth Dynamic 2.0 для квантизации с повышенной точностью важных слоёв. Точный размер GGUF-файлов, требования к оборудованию, поддерживаемые разрешения и полный перечень вариантов квантизации в README не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели hararh/Qwen-VL на Hugging Face совпадает с карточкой Qwen/Qwen-VL, поэтому описание составлено по ней. Qwen-VL — крупная визуально-языковая модель Alibaba Cloud из семейства Qwen. Она принимает изображения, текст и ограничивающие рамки, а выдаёт текст и рамки; версия в репозитории описана как предварительно обученная модель, при этом карточка также упоминает отдельную диалоговую версию Qwen-VL-Chat. Модель содержит 11,4 млрд параметров, использует плотную архитектуру QWenLMHeadModel, работает с PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для диалога по изображениям, генерации описаний, визуальных вопросов и ответов, распознавания текста на изображениях, включая документы и диаграммы, а также поиска объектов по текстовому описанию с выдачей рамок. В карточке указаны многоязычные диалоги и многоязычная оценка на китайском и английском языках. Разрешение обработки изображений повышено до 448 пикселей, что помогает решать задачи распознавания текста и визуальных вопросов без разбиения изображения. README сообщает о сильных результатах на нескольких общих визуально-языковых бенчмарках, но они относятся к оценкам разработчика. Модель может ошибаться в распознавании деталей изображения и текста; карточка не описывает ограничения подробнее. Условия лицензии в предоставленных данных не указаны.