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

Nanonets-OCR2-3B-GGUF — это квантизированная GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной nanonets. Квантизацию выполнил mradermacher. Модель предназначена для задач оптического распознавания символов, преобразования изображений в текст, конвертации PDF в Markdown и визуального ответа на вопросы (VQA). Модель поддерживает мультимодальный ввод: для работы используются файл модели GGUF и дополнительный multimodal supplement mmproj. Доступны варианты с разными уровнями квантизации — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 1,4 до 6,3 ГБ, без учета или с учетом дополнительного multimodal-компонента в зависимости от конфигурации. Заявлена поддержка многоязычных сценариев, однако конкретный перечень языков и размер контекстного окна в README не указаны. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между размером, скоростью и качеством, а также наличие специализированных OCR- и image-to-text-сценариев. Более легкие варианты подходят для экономии ресурсов, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Сведения о лицензии базовой модели и квантизированной версии в README отсутствуют, поэтому условия использования необходимо уточнять отдельно.

olmOCR-2-7B-1025-bf16 — преобразованная в формат MLX модель сообщества mlx-community на основе allenai/olmOCR-2-7B-1025. Это визуально-языковая модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров, предназначенная для обработки изображений с выдачей текста. Карточка этой копии отсылает за подробностями к исходной модели. Модель подходит для OCR и извлечения текстовой информации из изображений и документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в виде текста; заявленный родительский чекпойнт поддерживает контекст до 128 000 токенов. По метаданным, исходная модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct, а данная копия преобразована в формат MLX. Лицензия — Apache-2.0.

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

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.

CultriX/Qwen2.5-14B-BrocaV9 — объединённая модель генерации текста семейства Qwen2.5, созданная CultriX с помощью mergekit. В качестве базовой использована CultriX/Qwen2.5-14B-Wernickev3; в объединение также вошли SeQwence-14Bv1, QwenSlerp6-14B, Qwen2.5-Math-14B-Instruct, Qwenfinity-2.5-14B и Q2.5-Veltha-14B-0.5. Метод слияния — della_linear. Модель предназначена для диалогового общения и генерации текста; её можно использовать для ответов на вопросы, написания и продолжения текстов, а также задач рассуждения и математики. Это плотная причинно-языковая архитектура Qwen2 с 14 млрд параметров, доступная в формате safetensors и поддерживающая контекст до 131 072 токенов. Карточка указывает лицензию Apache-2.0.

PointerHQ/Qwen2.5-VL-72B-Instruct-Pointer-AWQ — мультимодальная instruction-tuned модель, созданная на базе Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий PointerHQ содержит исправленную версию квантованной AWQ-модели для запуска через vLLM с tensor parallel на 2, 4 или 8 GPU; для работы указана версия vllm==0.7.3. Разработчик базовой модели — команда Qwen. Модель предназначена для анализа изображений и видео, визуального распознавания и рассуждений, извлечения текста и структурированных данных из документов, счетов, форм и таблиц, анализа графиков, диаграмм, макетов и значков. Она также поддерживает визуальную локализацию объектов с помощью ограничивающих рамок или точек, вывод координат и атрибутов в JSON, а также сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Заявлено понимание видео длительностью более часа и поиск релевантных временных сегментов. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder ViT с оконным вниманием, SwiGLU и RMSNorm; для видео применяются динамические разрешение и частота кадров, а также временная обработка mRoPE. Размер модели — 72 млрд параметров. В README явно указан английский язык; поддержка других языков для этой версии не заявлена. Сильные стороны — мультимодальный анализ, OCR, работа с документами, графиками и видеопоследовательностями, а также эффективное распределение на несколько GPU. Ограничения — высокая вычислительная требовательность, зависимость от совместимой версии vLLM и необходимость нескольких GPU для заявленного tensor parallel. Лицензия обозначена как other, license_name — qwen; приведена ссылка на лицензию базовой модели Qwen2.5-VL-72B-Instruct.

VisME — мультимодальная модель эмбеддингов, разработанная авторами работы Illuminating Visual Identity in Universal Multimodal Embeddings для CVPR 2026. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct и формирует плотные векторы для изображений, текста и пар «изображение–текст», предназначенные для поиска и сопоставления визуального содержимого. Модель ориентирована на мультимодальный поиск и задачи, связанные с визуальной идентичностью: распознавание объектов или людей по идентичности, повторную идентификацию, поиск по изображению и тексту, а также визуальное заземление. Обучение объединяет MMEB-v1 для общих мультимодальных задач и MVEB для поиска по визуальной идентичности; заявлены конкурентные результаты на MMEB и сильные результаты на MVEB. Архитектура — плотная Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов; репозиторий использует safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы указывают, что код оценки и обучения будет опубликован позднее, поэтому воспроизведение заявленных результатов может быть затруднено до его выхода.

jaschadub/bge-large-en-world-news-osint-v1 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-large-en для представления текстов о мировых новостях и OSINT в виде плотных эмбеддингов. Разработчик — jaschadub. Модель кодирует предложения и абзацы в векторы размерности 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана.

sahilchachra/Unlimited-OCR-AWQ — это квантизированная 4-битная версия мультимодальной модели baidu/Unlimited-OCR, разработанная пользователем sahilchachra. Модель предназначена для multilingual OCR и разбора документов: преобразования изображений документов в Markdown или обычный текст, извлечения текста с координатами, анализа макета, обработки рисунков, графиков и диаграмм, визуального вопросно-ответного взаимодействия, а также разбора многостраничных документов и PDF. Архитектура включает vision tower DeepEncoder на базе SAM-ViT-B и CLIP-L/14 с входом 1024×1024 и 16-кратным уменьшением, линейный projector и текстовый декодер DeepSeek-V2 MoE. Декодер содержит 12 слоёв, скрытое состояние размером 1280, 64 маршрутизируемых и 2 общих эксперта, при этом на токен выбираются 6 экспертов; нулевой слой является dense. Текстовые линейные слои квантизированы методом AWQ по схеме W4A16 с int4, симметричными группами по 128 элементов, тогда как vision tower, projector, embeddings, lm_head, маршрутизатор, нормы и отдельные слои сохранены в BF16. Модель поддерживает мультиязычные сценарии и работает с изображениями. К сильным сторонам относятся существенное уменьшение размера весов при сохранении совместимости с архитектурой Transformers, поддержка распознавания текста вместе с координатами ограничивающих рамок и долгого разбора документов. В README указано, что на тестовом документе результат OCR совпал с BF16-версией. Для запуска требуется custom remote code с параметром trust_remote_code=True, transformers 4.57.x, compressed-tensors и CUDA GPU; также возможен запуск в совместимых средах, включая vLLM. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

MaziyarPanahi/Experiment28M7_Experiment26Shadow — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/Experiment28M7-7B и automerger/Experiment26Shadow-7B. Модель предназначена для генерации текста по текстовому запросу. Поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. В карточке указана лицензия Apache-2.0.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.

Это объединённая модель генерации текста семейства Llama 3.1, созданная с помощью mergekit путём линейного слияния unsloth/Meta-Llama-3.1-8B и unsloth/Meta-Llama-3.1-8B-Instruct. В модели около 7,5 млрд параметров; она построена на архитектуре LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет до 131 072 токенов; в метаданных также отмечен интерфейс вызова инструментов. Карточка не уточняет языковой охват и отдельные области применения, поэтому модель следует рассматривать как универсальную. Лицензия в предоставленных данных не указана. Качество слияния и сравнительные результаты не описаны; возможности вызова инструментов обозначают наличие интерфейса и не гарантируют надёжность выполнения каждого вызова.

Trelis выпустила дообученную версию Mistral-7B-Instruct-v0.1 для суммаризации длинных текстов. Модель использует плотную архитектуру Mistral на 7,1 млрд параметров; в карточке заявлено обучение для контекстов до 16 тыс. токенов, а метаданные указывают нативный контекст до 32 768 токенов. Для суммаризации предлагается формат инструкции [INST] с явными маркерами начала и конца текста. Модель предназначена для создания краткого изложения больших документов и фрагментов текста. В основе лежит трансформер Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; модель работает с текстом и поддерживает диалоговый формат. В карточке не перечислены целевые языки, поэтому языковую специализацию определить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка базовой Mistral-7B-Instruct-v0.1 отмечает отсутствие встроенных механизмов модерации; качество суммаризации для конкретных языков и типов документов требует проверки на целевых данных.

Ovis2-2B — компактная мультимодальная языковая модель семейства Ovis, предназначенная для работы с изображениями и текстом. Визуальный компонент построен на aimv2-large-patch14-448, языковая часть — на Qwen2.5-1.5B-Instruct. Модель использует архитектуру Ovis для структурного согласования визуальных и текстовых представлений; её разработчики улучшили обучение и подбор данных по сравнению с Ovis1.6. Модель отвечает на вопросы по изображениям, распознаёт текст на них, извлекает структурированные сведения из таблиц и графиков, а также обрабатывает несколько изображений и видео. Обучение включало данные на нескольких языках, в том числе для развития мультиязычного OCR, и было направлено на улучшение рассуждений. Карточка демонстрирует результаты на тестах понимания изображений и видео, но не приводит длину контекста. Для запуска в README приведён пример использования Transformers. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что не гарантируют полного отсутствия проблемного контента или нарушений авторских прав; также рекомендуется рассмотреть более новую версию Ovis2.5.

Ovis2-34B — мультимодальная языковая модель семейства Ovis, разработанная командой Ovis. Она сочетает визуальный энкодер и языковую модель, структурно согласуя визуальные и текстовые представления. Модель принимает изображения и текст, отвечает на вопросы о визуальном содержимом и обрабатывает видео и несколько изображений в рамках одного сценария. Модель предназначена для визуального рассуждения, распознавания текста на изображениях, извлечения структурированных данных из таблиц и диаграмм, а также диалогов по визуальным материалам. В README заявлены усиленные способности к рассуждению и многоязычному OCR; метаданные указывают поддержку чата и интерфейса вызова инструментов. Архитектура — плотная модель Ovis; веса доступны в формате safetensors. Карточка приводит результаты оценки на тестах изображений и видео. Лицензия — Apache-2.0. README рекомендует использовать более новую версию Ovis2.5. Заявленные возможности и результаты бенчмарков не гарантируют точность на конкретных данных; модель может выдавать неподходящий контент или содержать проблемы с авторскими правами, как отмечено авторами.

Vishva007/Qwen3.8-27B-W4A16-AutoRound — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель предназначена для генерации текста по текстовым и визуальным входам, включая анализ изображений и задачи оптического распознавания символов (OCR). В README она обозначена как vision-language model с поддержкой сценария image-text-to-text. Модель содержит около 27 млрд параметров и использует формат квантизации W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизация выполнена с помощью Intel AutoRound с размером группы 64, симметричной схемой, 512 калибровочными образцами и 600 итерациями настройки. Визуальная башня сохранена в формате BF16, как и специальные MTP-слои, что должно помогать сохранять качество визуального рассуждения и OCR. Заявленное потребление видеопамяти составляет примерно 16–18 ГБ против около 54 ГБ у исходной BF16-модели, поэтому вариант подходит для запуска на одной видеокарте с 24 ГБ VRAM и для высокопроизводительного сервинга через vLLM. К преимуществам относятся существенно сниженные требования к памяти и потенциально более высокая скорость декодирования при сохранении визуальных компонентов в BF16. Ограничения включают возможную потерю точности из-за 4-битной квантизации, а также отсутствие в README сведений о поддерживаемых языках, точном размере контекста, результатах бенчмарков и детальных ограничениях применения. Модель распространяется по лицензии Apache-2.0.

Thomson-1.0-Small — модель с открытыми весами от Thomson Reuters для профессиональных и общих задач. Это причинная языковая модель с архитектурой Qwen3.6-35B-A3B и смесью экспертов: всего 35 млрд параметров, из них 3 млрд активируются при обработке запроса. Модель дообучена на базе tri-fair-lab/Snowdon1.1-Small в рамках непрерывного обучения, включавшего дообучение на корпусах Thomson Reuters и последующую настройку поведения. В метаданных репозиторий классифицирован как image-text-to-text и отмечена возможность работы с изображениями; README подробно описывает прежде всего языковые и профессиональные сценарии. Модель предназначена для юридической, налоговой и журналистской работы, а также для общих задач и агентного исследования с использованием инструментов и цитированием источников. Заявленная длина контекста — 262 144 токена. Модель совместима с Hugging Face Transformers, vLLM и SGLang. README не приводит конкретных результатов бенчмарков в доступном фрагменте, поэтому сравнительное качество оценить нельзя. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Vaakya‑Open — модель синтеза речи Voxaura Labs на базе авторегрессионной архитектуры Orpheus TTS и Llama с 3,3 млрд параметров. Она преобразует текст в дискретные аудиотокены, которые декодируются кодеком SNAC в монофоническую речь WAV, PCM 16 бит, 24 кГц. Модель рассчитана на английский, хинди и их смешение (Hinglish); контекст — до 131 072 токенов. Модель предназначена для озвучивания длинных текстов, аудиокниг, видео, подкастов, образовательных материалов, голосовых помощников и IVR, а также напоминаний для пациентов и средств доступности. В карточке заявлены естественное звучание женского голоса, стабильность на длинных фрагментах и пригодность для пакетной и низколатентной генерации. Доступен один голос без переключения между дикторами и выбора голоса; управление эмоциями пока не предоставляется. Поддерживаются только английский и хинди, включая смешанную речь. Лицензия — Apache-2.0.

VARCO-VISION-2.0-14B — мультимодальная модель NCSOFT, построенная по архитектуре LLaVA-OneVision. Она объединяет визуальную модель SigLIP2-so400m-patch16-384 и языковую Qwen3-14B; число параметров языковой базовой модели — 14 млрд. Модель принимает текст и одно или несколько изображений и отвечает на вопросы по их содержимому. Модель предназначена прежде всего для корейского и английского языков. Она умеет анализировать документы, таблицы и графики, распознавать текст на изображениях и указывать его положение рамками, а также отвечать на повседневные вопросы и суммировать информацию. Разработчик отмечает улучшенное понимание корейского языка и культурного контекста. Для работы с несколькими изображениями рекомендуется Transformers версии 4.53.1 или выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценки зависят от бенчмарка и формата запроса; README также предупреждает, что результаты некоторых тестов с оценкой другой LLM могут быть невоспроизводимы.

Это модель извлечения визуальных признаков из семейства CLIP, распространяемая проектом timm. Репозиторий содержит только веса энкодера изображений для архитектуры ViT-Large с патчами 14×14 и входным разрешением 224 пикселя; обозначение DFN2B-S39B относится к варианту весов. Модель предназначена для преобразования изображений в векторные представления, которые можно использовать для сравнения изображений и построения систем поиска по визуальному содержимому. Она принимает изображения и выдаёт признаки; текстового энкодера в этом репозитории нет, поэтому для сопоставления изображений с текстом потребуется совместимая текстовая модель CLIP. Лицензия репозитория — Apple ASCL.

MaziyarPanahi/YamshadowInex12_Inex12Experiment26 — объединённая языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Веса объединены из automerger/YamshadowInex12-7B и automerger/Inex12Experiment26-7B. Модель предназначена для генерации текста и принимает текстовые запросы, формируя текстовые ответы. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0.

airoboros-l2-70b-gpt4-1.4.1 — языковая модель семейства Llama 2, дообученная jondurbin на наборе airoboros-gpt4-1.4.1. Это плотная авторегрессионная модель с 68,7 млрд параметров для генерации текста. Её можно применять для диалогов, ответов на инструкции и создания текстов; контекст составляет 4096 токенов. Модель представлена в формате PyTorch. В карточке указана лицензия other, поэтому условия использования следует проверять в репозитории модели и у базовой модели. README не описывает специальные ограничения или гарантии качества; характеристики унаследованы от Llama 2 и зависят от сценария применения.

Weyaxi/CollectiveCognition-v1.1-Nebula-7B — объединённая языковая модель на архитектуре Mistral, созданная путём слияния teknium/CollectiveCognition-v1.1-Mistral-7B и PulsarAI/Nebula-7B. Она предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и других задач с текстовыми инструкциями. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки Open LLM Leaderboard, включая ARC и HellaSwag. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Vikneshwaran/gemma_4_tau2_retail — репозиторий модели семейства Gemma 4, разработанного Google DeepMind. Карточка описывает Gemma 4 как мультимодальную модель для понимания изображений и генерации текста; семейство также предназначено для диалогов, рассуждений, программирования, суммаризации и агентных сценариев с вызовом инструментов. Архитектура указана как плотная Gemma4ForConditionalGeneration, веса опубликованы в формате safetensors. Размер и длина контекста конкретно этого чекпойнта не установлены в предоставленных данных; README приводит разные варианты размеров и контекста для семейства в целом. Модель может быть полезна для визуального анализа изображений, извлечения текста и сведений из документов, ответов на вопросы по изображению и генерации текста по запросу. Gemma 4 поддерживает более 140 языков при обучении, а README указывает поддержку более 35 языков для использования. Лицензия — Apache 2.0. Данные карточки не уточняют, чем этот репозиторий отличается от базовой модели Gemma 4 и какие возможности семейства доступны именно в данном варианте.

LargeWorldModel/LWM-Text-Chat-1M — авторегрессионная языковая модель на архитектуре Transformer семейства LLaMA, разработанная Large World Model. Это чат-вариант модели LWM-Text-1M-Chat, обученный на основе LLaMA 2 на отфильтрованной части Books3; в карточке указано, что обучение проходило в декабре 2023 года на 800 документах длиной более миллиона токенов. По метаданным модель содержит 6,6 млрд параметров и поддерживает контекст до 1 048 576 токенов. Модель предназначена для генерации текста и диалогового взаимодействия, в том числе обработки длинных текстовых входов. В репозитории указан формат PyTorch. Сведения о лицензии, поддерживаемых естественных языках и конкретных ограничениях применения в предоставленных данных отсутствуют.

Penguin-VL-2B — компактная vision-language-модель Tencent, построенная на языковой основе Qwen3-1.7B. В модели объединены визуальный энкодер, созданный на основе Qwen3-0.6B, лёгкий MLP-проектор и языковой бэкенд Qwen3. Энкодер использует двунаправленное внимание и 2D-RoPE для обработки пространственной информации; для видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых задач с изображениями и видео: ответов на визуальные вопросы, OCR, понимания документов и диаграмм, а также рассуждений по содержимому кадров. Заявленная длина контекста — 40 960 токенов, размер языковой основы — 1,7 млрд параметров. В карточке приведены результаты на тестах для изображений, документов, OCR, математики и видео. Метаданные указывают английский язык; других языков карточка не подтверждает. Модель дообучена на Qwen/Qwen3-1.7B, распространяется в формате Safetensors по лицензии Apache-2.0. Качество может зависеть от разрешения и сложности визуального входа; опубликованные результаты бенчмарков не гарантируют точность на конкретных данных. Описание не уточняет ограничения по длительности видео или точную процедуру запуска.

Segmentext — специализированная модель PleIAs для сегментации неструктурированного текста. Она использует архитектуру DeBERTa-v2 с классификацией токенов и содержит 306 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и размечает их структурные части. Модель рассчитана на восстановление редакционной структуры по самому тексту, без обращения к исходному макету документа. Она обучалась на 3 500 вручную размеченных примерах из финансовых документов, текстов культурного наследия и научных публикаций. Segmentext распознаёт основной текст, разделители, заголовки, таблицы, реплики диалога, библиографические ссылки, контактные данные, паратекст, авторов, даты и ключевые слова. По описанию разработчика, она должна работать с разными форматами документов на основных европейских языках, включая повреждённый текст и ошибки распознавания макета. Модель может использоваться для структурирования текстов после оцифровки, подготовки документов к дальнейшему анализу и выделения контактных данных. Обучающие данные охватывают ограниченное число вручную размеченных примеров, поэтому качество на иных языках и типах документов может различаться. Распространяется по лицензии Apache-2.0.

Sonar Deep Research — исследовательская модель Perplexity для многоэтапного поиска, синтеза и рассуждений по сложным темам. Она самостоятельно ищет и читает источники, оценивает их и уточняет подход по мере сбора информации. Модель предназначена для углублённого исследования вопросов, требующих работы с несколькими источниками и последовательного обобщения найденных сведений. Данных о размере, архитектуре, поддерживаемых языках, длине контекста и лицензии в доступных материалах нет.

Tess-2.0-Yi-34B-200K — универсальная большая языковая модель серии Tess, разработанной migtissera. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, обученная на базовой модели 01-ai/Yi-34B-200K. Она предназначена для генерации текста и диалогов; в карточке приведён формат запросов с ролями SYSTEM, USER и ASSISTANT. Контекст модели составляет до 200 000 токенов. Модель работает с текстом и заявлена как uncensored, поэтому может создавать предвзятый, оскорбительный или неподходящий контент. Ответы могут быть неточными или вводящими в заблуждение, их следует проверять. В репозитории указаны веса safetensors. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

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.