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

AmberYifan/capsd-medcase-marin-8b-base-medicine_random_b1000_s0 — дообученная версия Marin 8B Base, созданная на датасете capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_random_b1000_s0. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Медицинская тематика обучающего набора указывает на сценарии работы с клиническими случаями, однако карточка не описывает проверенные возможности или качество в медицинских задачах. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Базовая Marin 8B Base описана как англоязычная, но язык дообучающих данных и фактическое языковое покрытие этой версии не уточнены. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. README не приводит оценок качества, ограничений или рекомендаций по применению.

Это конвертированные в GGUF версии модели NILKNARFGonzo/floppyx3-MEGAmodel-merged, опубликованные GGUFGuy. В основе — очень небольшая GPT‑2-подобная модель примерно на 1,1 млн параметров; репозиторий содержит варианты F32, F16 и BF16. В метаданных указаны генерация текста и разговорный режим, а среди языков — английский. Модель предназначена для генерации текста и диалоговых сценариев. Качество базовой модели в каталоге оценено как очень низкое, поэтому её следует считать экспериментальной и не рассчитывать на надёжные ответы в практических задачах. Лицензия — CC BY-SA 4.0. Квантизация Q8_0 отсутствует: размерность эмбеддингов 106 не совместима с блоками квантизации по 32 значения, из-за чего квантователь llama.cpp завершается с ошибкой.

Модель разработана Tiantian Feng и предназначена для классификации шумов сердца по аудиозаписям. Она дообучена на наборе CirCor, включающем записи аускультации у 1568 участников в возрасте от 0 до 21 года; задача входит в бенчмарк ChildVox. Модель выдаёт одну из меток: Absent, Unknown или Present. Модель основана на BabyHuBERT и принимает аудио для классификации физиологических звуков. В карточке указана лицензия OpenRAIL, а использование в коммерческих целях исключено. Записи детей и физиологические данные чувствительны: при работе с ними следует соблюдать требования приватности, согласия и применимого регулирования. Модель не предназначена для клинической диагностики и скрининга, индивидуальной оценки без экспертной проверки, наблюдения или иных вторжений в частную жизнь.

SexGod LTX 2.3 DoggyStyle Sex — специализированная LoRA-модель для генерации эротических текст-видео на базе Lightricks/LTX-Video, версии LTXV 2.3. В README модель представлена под идентификатором Muapi/sexgod-ltx-2.3-doggystyle-sex; сведения об отдельном разработчике или авторе дообучения не указаны. Модель предназначена для создания видеосцен по текстовому описанию через pipeline text-to-video и ориентирована на контент для взрослых. Ключевая характеристика модели — использование LoRA-адаптера поверх базовой модели LTX-Video. В качестве примера запуска указаны разрешение 768×512, 97 кадров и параметр интенсивности LoRA 1.0. Поддерживаемые модальности, языки запросов, максимальный контекст, точный размер адаптера и дополнительные требования к оборудованию в README не описаны. Сильной стороной является специализация на определённом взрослом сценарии и совместимость с экосистемой Diffusers и LTX-Video, однако область применения узкая, а качество и управляемость генерации зависят от базовой модели и параметров запроса. Для использования через указанный API требуется ключ MUAPI. Лицензия обозначена как openrail++.

TraceMed 是基于 Qwen3 架构的 3.7B 参数稠密文本生成聊天模型，使用 BF16 精度和 Safetensors 权重，可通过 Hugging Face Transformers 加载； для работы модель поддерживает контекст до 32 768 токенов. Модель предназначена для задач традиционной китайской медицины: она может связывать симптомы с синдромом и патогенезом, предлагать принципы лечения и формулы, а также сравнивать формулы и медицинские понятия по составу, действию и показаниям. В демонстрациях заявлены ответы с цитатами, ведущими к исходным фрагментам учебных материалов. Карточка указывает китайский и английский языки; модель ориентирована прежде всего на китайский язык. Базовая модель, обучающие данные, результаты оценки и лицензия в карточке не приведены, поэтому происхождение модели и условия её распространения установить нельзя. Приведённые примеры не заменяют медицинскую оценку специалиста.

EBLANGPT-FALOS67 — экспериментальная русскоязычная разговорная модель от EBLANSoft. Это компактная причинная языковая модель архитектуры LlamaForCausalLM с 65 856 параметрами, обученная на 742 уникальных парах реплик, расширенных до 6000 примеров из 13 категорий. Она предназначена для коротких неформальных ответов на простые фразы, например приветствия и вопросы «как дела». Модель распознаёт категорию по нескольким входным словам и генерирует одну из заготовленных реплик; это скорее классификатор со стохастической генерацией, чем универсальный диалоговый ассистент. Поддерживает текстовый ввод и выдаёт текст; контекст ограничен 64 токенами, обучение велось на последовательностях до 11 токенов. В карточке доступны веса Safetensors и GGUF, включая вариант Q8_0. Модель не сохраняет историю разговора, плохо справляется с запросами вне обученных категорий и может повторять слова без repeat_penalty. В обучающих данных есть мат, поэтому модель не подходит для общения с клиентами. Лицензия — WTFPL.

2ch/penflux — LoRA-модель для генерации изображений по текстовому описанию, предназначенная для использования с базовой моделью FLUX.1-dev от Black Forest Labs. В README модель представлена под названием xpenis; автор или организация-разработчик отдельно не указаны, поэтому можно достоверно говорить только о публикации в репозитории 2ch/penflux. Модель специализируется на добавлении в изображения анатомических признаков необрезанного пениса, включая нависающую крайнюю плоть, вялое состояние и визуальное изображение прозрачной вязкой жидкости. Для активации рекомендуются английские триггерные фразы uncut penis, flaccid penis, overhanging foreskin, dripping translucent fluid и clear viscous fluid dripping from tip. Основной сценарий использования — text-to-image-генерация в совместимом pipeline Diffusers или другом интерфейсе, поддерживающем LoRA для FLUX.1-dev. В README указаны тип адаптера LoRA, базовая модель FLUX.1-dev, текстовая модальность управления и английский язык промптов. Размер модели, архитектура адаптера, требования к памяти, коэффициенты масштабирования и ограничения по разрешению не приведены. Сильная сторона модели — узкая специализация и наличие явных триггерных слов; ограничение заключается в зависимости от FLUX.1-dev и отсутствии подробных инструкций по настройке и качественной оценке результатов. Лицензия в предоставленных данных не указана.

Taiwan-inquiry7Bv1.0 — диалоговая модель на архитектуре Llama, дообученная Джозефом (Чен-Вэй) Ли, ассистентом-исследователем Национальной университетской больницы Тайваня. Она основана на yentinglin/Taiwan-LLM-7B-v2.1-chat и содержит 6,6 млрд параметров; максимальный контекст — 4096 токенов. Модель работает с традиционным китайским языком, в том числе его тайваньским вариантом. Модель предназначена для учебных диалогов по клиническим навыкам и сценариям OSCE: она может играть пациента в беседе с пользователем в роли врача и отвечать с учётом краткой предыстории пациента в системном запросе. Для дообучения использованы 614 реальных диалогов из Национальной университетской больницы Чэн Кун и 101 синтетический диалог, созданные с помощью GPT-3.5 и Gemini Pro. Лицензия — Apache 2.0. Это учебный инструмент для отработки клинического опроса, а не замена медицинского специалиста или проверенного медицинского справочника. Карточка не приводит результатов оценки качества ответов.

blinkcreampie — специализированная LoRA-модель для генерации видео с использованием Diffusers, разработанная пользователем profpeng. В качестве базовой модели указана Wan-AI/Wan2.2-I2V-A14B. Модель предназначена для создания реалистичных эротических сцен для взрослых с переходом между кадрами и визуальным изображением семяизвержения, включая позы на корточках и лёжа, крупные планы и сольное позирование. Ключевые особенности включают работу в сценариях text-to-image и, вероятно, image-to-video через указанную базовую модель, статичную камеру, средние крупные планы, быстрые переходы и акцент на видимых анатомических деталях. README не содержит данных о размере LoRA, поддерживаемых языках, максимальном контексте, требованиях к оборудованию, качестве или результатах тестирования. Сильной стороной модели является узкая специализация на определённых композициях и действиях для генерации контента 18+. Ограничения связаны с отсутствием подробной технической документации, параметров обучения и сведений о совместимости, а также с тем, что модель ориентирована на крайне специфический и явно сексуальный контент. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

profpeng/doublepenetration — LoRA-модель для генерации откровенного сексуального контента на основе Wan-AI/Wan2.2-I2V-A14B. Она предназначена для сценариев text-to-image и, вероятно, image-to-video с использованием Diffusers, с акцентом на реалистичное изображение групповых половых сцен в спальне, включая наготу и явно описанные сексуальные действия. В README не указаны размер LoRA, архитектурные параметры, поддерживаемые языки, максимальный контекст или точные требования к запуску. В качестве ключевой особенности заявлена адаптация базовой модели к конкретной эротической тематике и динамике сцены, включая движения камеры и тела. Ограничения связаны с узкой специализацией и потенциальными проблемами качества при сложной композиции, взаимодействии нескольких персонажей и генерации анатомически корректных деталей. Лицензия и условия использования в README не указаны. Перед применением необходимо проверить лицензию базовой модели Wan-AI/Wan2.2-I2V-A14B и правила распространения самой LoRA, а также соблюдать требования законодательства и платформ к созданию сексуального контента.

wansex — это LoRA-адаптер, разработанный пользователем profpeng для модели Wan2.2-I2V-A14B от Wan-AI. Адаптер предназначен для генерации откровенных сексуальных сцен с помощью моделей семейства Diffusers; в карточке он классифицирован как text-to-image и diffusion LoRA, однако базовая модель относится к image-to-video (I2V). Для активации адаптера требуется триггерная фраза «<SM4SHCUT> The scene changes and a man is thrusting his penis into and out of her pussy». В README приведён пример промпта с описанием явного сексуального действия и отрицательный промпт на китайском языке, ориентированный на снижение числа визуальных дефектов, включая размытие, артефакты, анатомические ошибки и лишние конечности. Известно, что адаптер использует архитектуру LoRA и базовую модель Wan2.2-I2V-A14B; сведения о размере адаптера, поддерживаемых языках, максимальном контексте, точных требованиях к оборудованию и дополнительных модальностях отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно.

dots.ocr-1.5 — мультимодальная модель для распознавания текста и разбора документов, опубликованная под идентификатором MdMonsur/dots.ocr-1.5. В README описана архитектура из визуального энкодера на 1,2 млрд параметров и языковой модели на 1,7 млрд параметров; метаданные указывают 1,5 млрд параметров, архитектуру dots_ocr и контекст 131072 токена. Модель принимает изображения документов и веб-экранов, извлекает текст и структуру, включая расположение элементов, таблицы и формулы. Она также распознаёт текст на изображениях и объектах, отвечает на вопросы по изображениям и преобразует диаграммы, графики и другие структурированные визуальные элементы в SVG-код. README заявляет поддержку широкого набора письменностей; метаданные отмечают английский, китайский и многоязычный режимы. Модель подходит для автоматизации оцифровки документов, веб-страниц и визуальных материалов. README отмечает, что сложные таблицы и формулы остаются трудными, разбор графики в SVG может быть нестабильным, а ошибки парсинга всё ещё возможны. Лицензия — MIT.

tripolskypetr/gemma-3-12b-it — модель на базе Google Gemma 3 12B IT, разработанная Google DeepMind. Это открытая инструкционно дообученная мультимодальная модель, принимающая текст и изображения и генерирующая текст. README не содержит сведений о специфическом дополнительном дообучении, выполненном автором репозитория. Модель предназначена для генерации текста, ответов на вопросы, суммаризации документов, рассуждений и анализа изображений. Она поддерживает более 140 языков, использует контекстное окно до 128 000 токенов, принимает изображения, нормализованные до 896×896 пикселей и представленные 256 токенами каждое, а максимальный объём генерируемого ответа составляет 8192 токена. Размер модели — 12 млрд параметров. К сильным сторонам относятся мультимодальность, широкий языковой охват, большое контекстное окно и возможность развёртывания на собственном оборудовании или в облачной инфраструктуре по сравнению с более крупными моделями. Ограничения включают неизвестные для данного репозитория результаты дополнительного обучения и оценки, а также необходимость учитывать требования к ресурсам для запуска модели такого размера. Использование регулируется лицензией Gemma и соответствующими условиями Google.

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.

Qwen2.5-VL-72B-Instruct — мультимодальная инструкция-тюнингованная модель семейства Qwen2.5-VL, разработанная командой Qwen. Это плотная модель на 71,5 млрд параметров с архитектурой Qwen2_5_VLForConditionalGeneration; она принимает текст, изображения и видео и выдаёт текстовые ответы, включая структурированные данные. Модель рассчитана на диалоговые сценарии с визуальным содержимым. Модель распознаёт и анализирует объекты, текст, диаграммы, графики и макеты на изображениях, понимает длинные видео и может указывать временные сегменты событий. Она также поддерживает визуальную локализацию объектов с координатами в виде рамок или точек и может управлять инструментами в сценариях взаимодействия с компьютером или телефоном. Контекст составляет до 128 000 токенов. В карточке указана поддержка английского языка. К сильным сторонам относятся работа с изображениями и видео, структурированные ответы и динамическая обработка разрешения и частоты кадров. Обработка изображений с высоким разрешением требует больше вычислительных ресурсов; для видео описана поддержка локальных файлов, а работа с URL зависит от сторонней библиотеки. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в файлах репозитория.

CausalLM/35b-beta-long — диалоговая языковая модель на архитектуре CohereForCausalLM с 35 млрд параметров, разработанная CausalLM как дообучение CohereForAI/c4ai-command-r-v01. Модель предназначена для чата, работы с фактами из нескольких документов и длинным контекстом: тематического суммирования, извлечения ключевой информации и сравнения источников. В README разработчик также отмечает улучшения в математике, программировании и воспроизведении знаний. Метаданные указывают контекст 8192 токена; в README заявлено обучение на контексте 128K, поэтому заявленная длина обучения не совпадает с указанным нативным контекстом. Используются формат safetensors и шаблон чата ChatML. Модель дообучена на синтетических многоходовых диалогах, составленных по веб-страницам и документам, с привлечением открытых диалоговых наборов и человеческой проверки. Разработчик сообщает о более устойчивой работе с длинным контекстом и снижении галлюцинаций, но эти заявления не сопровождаются в карточке подробными результатами оценки. README предупреждает, что после SFT модель может сохранять предвзятость и выдавать нежелательный контент; для более надёжного выравнивания, по словам разработчика, требуется дальнейшее RL-обучение. Лицензия — WTFPL согласно метаданным; README описывает базовую модель как распространяемую для некоммерческого использования, поэтому условия следует сверить с лицензиями исходной модели и репозитория.

dots.mocr-GGUF — это GGUF-сборка мультимодальной OCR-модели dots.mocr, разработанной rednote-hilab и основанной на dots-studio/dots.mocr. Модель предназначена для анализа изображений документов, распознавания текста, определения структуры и компоновки страниц, извлечения таблиц и формул, обработки веб-страниц, поиска текста на сценах и визуального ответа на вопросы. Она также поддерживает структурированный вывод JSON с ограничивающими рамками и категориями элементов макета. Модель построена на vision-language основе примерно с 3 млрд параметров и объединяет обнаружение макета, распознавание содержимого, семантическое понимание, grounding, разбор структурированной графики и интерактивный диалог. Поддерживается более 100 языков, включая английский и китайский, а также многоязычные документы. Для диаграмм, пользовательских интерфейсов, научных иллюстраций, химических формул и логотипов предусмотрена генерация SVG; для этой задачи упоминается специализированная модель dots.mocr-svg. Доступны варианты GGUF с точностью от BF16/F16 до различных уровней квантования размером примерно от 861 МБ до 3,56 ГБ, а также мультимодальные проекторы. Запуск заявлен через llama.cpp, HuggingFace Transformers и vLLM. К сильным сторонам относятся широкий набор задач в одной модели, многоязычность, работа с разными типами документов и высокая заявленная результативность на OmniDocBench, olmOCR-bench и XDocParse для своего класса. Ограничения включают зависимость качества от варианта квантования и вычислительных ресурсов, а также отсутствие в README подробностей о точном размере контекста, требованиях к памяти и отдельных характеристиках архитектуры. Модель распространяется по лицензии MIT.

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

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

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.

Granite-3.1-3B-A800M-Base — базовая языковая модель IBM Granite Team для генерации текста и задач преобразования текста. Это декодерный разреженный Transformer с архитектурой Mixture of Experts (MoE), доступный в формате safetensors и содержащий 352,3 млн параметров. Модель расширяет контекст Granite-3.0-3B-A800M-Base с 4K до 128K токенов; для адаптации к длинному контексту использовалось дополнительное обучение примерно на 500 млрд токенов. Модель предназначена для суммаризации, классификации и извлечения информации из текста, ответов на вопросы, а также как основа для специализированного дообучения. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель выпущена IBM под лицензией Apache 2.0. Модель не прошла выравнивание по безопасности и может выдавать проблемный или недостоверный текст; для небольшой модели также отмечен риск дословного воспроизведения обучающих данных. Как базовая модель, она может требовать дообучения под конкретные инструкции и сценарии.

IndexTeam разработала Index-1.9B-32K — плотную авторегрессионную языковую модель примерно на 2 млрд параметров с контекстом до 32 768 токенов. Модель прошла продолжительное предобучение и дообучение с учителем на длинных текстах и инструкциях для работы с контекстами свыше 32 тысяч токенов. Модель предназначена для генерации текста и диалогового взаимодействия, особенно для перевода и суммаризации длинных документов. В README также приведены результаты теста NeedleBench на извлечение сведений из длинного контекста. Указанные результаты отражают оценки разработчиков и не гарантируют качество на других данных. Репозиторий содержит веса PyTorch; лицензия обозначена как other, поэтому условия использования следует проверить в карточке модели. Модель может выдавать неточные, предвзятые или нежелательные ответы; разработчики рекомендуют проверять результаты и проводить оценку безопасности перед внедрением.

Qianfan-OCR — мультимодальная vision-language модель для анализа документов, разработанная командой Baidu Qianfan. Это end-to-end модель с 4 млрд параметров, предназначенная для преобразования изображений документов в Markdown и выполнения задач OCR, анализа структуры и расположения элементов, извлечения таблиц, понимания графиков, ответов на вопросы по документам и извлечения ключевой информации. Представленная версия распространяется в формате GGUF и была создана с использованием llama.cpp. Архитектура включает vision-энкодер Qianfan-ViT с 24 Transformer-слоями и поддержкой изображений разрешением до 4K, языковую модель Qwen3-4B с контекстом 32K токенов, расширяемым до 131K, а также двухслойный cross-modal adapter. Модель поддерживает OCR на 192 языках. Опциональный режим Layout-as-Thought позволяет сначала сформировать структурированное описание макета с ограничивающими рамками, типами элементов и порядком чтения, что полезно для сложных и неоднородных страниц; для простых документов этот режим можно отключать ради снижения задержки. Сильными сторонами модели являются единый подход к распознаванию и пониманию документов, поддержка сложной структуры, таблиц и многоязычного OCR. В заявленных результатах она получила 93,12 на OmniDocBench v1.5, 79,8 на OlmOCR Bench и 880 баллов на OCRBench; производительность достигает 1,024 страницы в секунду при W8A8-квантизации на одной GPU A100. Ограничения включают зависимость качества и скорости от разрешения изображений, сложности макета и выбранного режима обработки; конкретные требования к оборудованию для GGUF-версии в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели TitanML/DeepSeek-OCR-2 на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR-2, поэтому описание составлено по ней. DeepSeek-OCR 2 — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она использует архитектуру DeepSeek-VL2 с причинным языковым декодером и рассчитана на запуск через Transformers на GPU NVIDIA; README также упоминает ускоренный инференс и обработку PDF через vLLM. Модель поддерживает динамическое разрешение изображений: указан режим от 0 до 6 фрагментов 768×768 и одного изображения 1024×1024. Размер модели составляет 559,7 млн параметров, контекст — 8192 токена. В карточке заявлена поддержка многоязычного ввода. Модель подходит для извлечения текста с изображений и документов, включая сценарии OCR и работы с PDF. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для запуска README приводит зависимости для Transformers и CUDA; указанные версии окружения могут потребовать соответствующей GPU-конфигурации.

Hunyuan-A52B-Instruct — разговорная языковая модель семейства Hunyuan от Tencent, представленная в этом репозитории в формате safetensors для Hugging Face. Это конверсия модели Hunyuan-Large-Instruct: архитектура Transformer с механизмом Mixture of Experts (MoE), около 29,1 млрд параметров по метаданным; в исходном описании Hunyuan-Large указаны 389 млрд общих параметров и 52 млрд активных параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 128K токенов и предназначена для диалога и широкого круга языковых задач. Модель подходит для ответов на вопросы, чтения и анализа длинных текстов, рассуждений, решения математических задач и работы с китайским и английским языками. В README описаны методы сокращения затрат на KV-кэш и улучшения обучения экспертов; также приведены высокие результаты на ряде языковых и математических бенчмарков. Указанная в README скорость относится к запуску на M2 Ultra с 192 ГБ памяти и не гарантирует такую производительность на другом оборудовании. Сведения о лицензии в предоставленных данных отсутствуют.

Lamarck-14B-v0.6 — объединённая модель на архитектуре Qwen2, опубликованная sometimesanotion. Она создана как универсальная разговорная модель для генерации текста и рассчитана на многошаговые рассуждения, написание связной прозы и работу на нескольких языках. В карточке указано, что модель занимает первое место по среднему результату среди текстовых ассистентов до 32 млрд параметров на Open LLM Leaderboard; это заявление автора, а не независимая оценка здесь. Модель содержит 14 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 131072 токенов. README описывает многослойное слияние нескольких моделей и извлечённых LoRA-адаптеров; среди предков упомянута DRT-o1-14B, ориентированная на глубокие рассуждения и перевод. Метаданные отмечают чат и интерфейс вызова инструментов. В качестве заявленных ограничений конкретные слабые стороны не приведены; качество может различаться между языками и задачами. Лицензия — Apache-2.0.

Llama-3-8B-Instruct-80K-QLoRA-Merged — диалоговая языковая модель семейства Llama 3, созданная namespace-Pt на основе Meta-Llama-3-8B-Instruct. Контекст модели расширен примерно до 80 тысяч токенов с помощью QLoRA и обучения на синтетических длинных примерах, после чего веса объединены с исходной инструкционной моделью. Архитектура — плотная авторегрессионная LlamaForCausalLM; в репозитории представлены веса Safetensors, размер модели — 7,5 млрд параметров. Модель предназначена для генерации ответов и работы с длинными текстами: поиска сведений в больших документах, ответов по нескольким источникам, суммаризации и задач с большим контекстом. README приводит результаты оценок на LongBench, InfiniteBench и тесте Needle-in-a-Haystack; это бенчмарки, а не гарантия качества для конкретных данных. Модель принимает текст и генерирует текст. Язык оценки в README — английский; поддержка других языков не установлена предоставленными данными. Лицензия репозитория указана как MIT. Модель сохраняет ограничения базовой Llama и может ошибаться, особенно при обработке длинного контекста; фактическое поведение зависит от используемой конфигурации и максимальной длины генерации.

olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

Карточка модели FriendliAI/olmOCR-7B-0225-preview на Hugging Face совпадает с карточкой allenai/olmOCR-7B-0225-preview, поэтому описание составлено по ней. olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

UniWiZ-7B-v0.2 — текстовая генеративная модель от Proto-AI на архитектуре Mistral-7B с 7,1 млрд параметров. Она предназначена для генерации текста, суммаризации, ответов на вопросы и диалогов, а также для образовательных сценариев с объяснением понятий. Модель рассчитана на широкий круг тем; заявленная длина контекста — до 32 768 токенов. В README указано, что при обучении использовались разнообразные данные и материалы, ориентированные на безопасность. Модель может быть полезна для создания черновиков статей, краткого пересказа документов и разговорных помощников. Лицензия Apache-2.0. В карточке README часть сведений приведена для версии v0.1, поэтому применимость этих утверждений именно к v0.2 не вполне ясна.