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

Ramikan-BR/P3-mini-v6 — дообученная разговорная языковая модель на 3,7 млрд параметров для генерации текста и ответов на инструкции. В карточке приведён пример создания игры «Змейка» на Python с библиотекой Pygame; модель предназначена для подобных запросов на написание кода и других диалоговых задач. Модель основана на unsloth/Phi-3-mini-4k-instruct-bnb-4bit. В метаданных указана архитектура MistralForCausalLM, контекст до 4096 токенов и поддержка английского языка. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не содержит оценок качества или подробных результатов тестирования.

polish-reranker-base-ranknet — модель ранжирования польских текстов, разработанная для поиска и информационного извлечения. Она основана на польской RoBERTa и обучена с функцией потерь RankNet на парах запросов и документов: выборка включала около 1,4 млн запросов и 10 млн документов. В качестве учителя использовалась multilingual-модель unicamp-dl/mt5-13b-mmarco-100k, а RoBERTa выступала компактной моделью-учеником. Модель оценивает релевантность документов запросу и упорядочивает их, поэтому её можно применять для повторного ранжирования результатов, полученных на этапе первичного поиска. Обучающие данные включали польскую часть MS MARCO, переведённый на польский ELI5 и коллекцию польских медицинских вопросов и ответов. В бенчмарке Polish Information Retrieval Benchmark модель показала NDCG@10 60,32 в категории rerankers. Архитектура — RobertaForSequenceClassification, размер — 151,6 млн параметров, длина контекста — 514 токенов. Лицензия Apache-2.0.

apanc/russian-sensitive-topics — русскоязычный классификатор чувствительных тем, обученный на расширенной версии датасета, описанного в статье для семинара Balto-Slavic NLP на EACL 2021. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; она относит текст к комбинациям из 18 чувствительных тем. Модель предназначена для многотемной классификации русскоязычных текстов, например для выявления упоминаний преступлений и наркотиков. Максимальная длина контекста — 512 токенов. В README приведены метрики по нескольким классам; авторы отмечают, что тестовая выборка состоит из вручную размеченной части данных, поэтому некоторые темы представлены в ней недостаточно хорошо. Модель доступна в форматах PyTorch, TensorFlow и Flax. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

bartowski/zed-industries_zeta-GGUF — набор GGUF-квантизаций текстогенеративной модели zed-industries/zeta, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска в LM Studio, llama.cpp и совместимых проектах на базе llama.cpp. Доступны варианты от исходных весов F16 размером 15,24 ГБ до низкобитных квантизаций Q2 и IQ2 размером около 3 ГБ. Более качественные варианты Q5 и Q6 рекомендуются для сохранения качества, а Q3 и Q2 подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Представленные данные не содержат сведений об архитектуре исходной модели, количестве параметров, контекстном окне, языках, модальностях и рекомендуемом формате промптов. Лицензия — Apache 2.0. Сильной стороной является широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании; ограничение заключается в том, что README описывает преимущественно упаковку и квантизацию, а не функциональные возможности исходной модели.

Velvet-14B — языковая модель Almawave, разработанная командой Technology and Innovation. Это текстовая instruct-модель с диалоговыми возможностями, предназначенная для интеграции в приложения и AI-системы. Модель предварительно обучена на более чем 4 трлн токенов из общедоступных источников и дообучена на инструкциях, включая более 2 млн примеров для SFT и свыше 50 тыс. примеров по безопасности. Модель принимает и генерирует текст. Она подходит для генерации и завершения текста, суммаризации, извлечения информации, классификации, ответов на вопросы, перевода, перефразирования, задач естественного языкового вывода и многоходового диалога. Поддерживаемые языки — итальянский, английский, немецкий, испанский, французский и португальский. Для ответов, требующих фактической точности, разработчик рекомендует использовать внешние источники, например RAG. Модель распространяется по лицензии Apache 2.0. Она может выдавать неточные, неполные или повторяющиеся ответы, а также воспроизводить токсичный язык и социальные предубеждения; разработчикам следует проверять результаты и настраивать меры безопасности под свой сценарий использования.

Athena-3-14B — каузальная языковая модель, разработанная Aayan Mishra и дообученная на Qwen/Qwen2.5-14B-Instruct. Она предназначена для диалогов, следования инструкциям и генерации текста, включая написание материалов, суммаризацию, ответы на вопросы, перевод, классификацию текста и рассуждения по STEM-темам. Модель построена на архитектуре Qwen2 с 14 млрд параметров; использует Transformer, RoPE, SwiGLU, RMSNorm и Grouped Query Attention. Метаданные указывают контекст до 32 768 токенов. Карточка заявляет поддержку более 29 языков, включая английский, китайский и русский; заявленная лицензия — MIT. Модель подходит для общих текстовых задач, однако качество зависит от языка, а наиболее сильные возможности заявлены для английского. Ответы могут содержать ошибки и предубеждения; знания ограничены сведениями примерно до августа 2024 года. Модель не предназначена для критически важных решений или работы с конфиденциальными данными.

QuantFactory/Llama-3-8B-ProLong-64k-Instruct-GGUF — квантизированная версия модели Princeton NLP Llama-3-8B-ProLong-64k-Instruct, созданная с использованием llama.cpp. Модель основана на Meta-Llama-3-8B-Instruct и разработана исследователями Tianyu Gao, Alexander Wettig, Howard Yen и Danqi Chen. Это текстовая instruction-tuned модель для генерации ответов и работы с длинным контекстом объёмом до 64 000 токенов. Она предназначена для диалогов, вопросов и ответов по большим наборам документов, retrieval-augmented generation, извлечения информации, классификации в контексте, переранжирования результатов поиска, анализа и суммаризации длинных документов. Для восстановления диалоговых возможностей модель дообучалась на UltraChat. Модель имеет около 8 миллиардов параметров и поддерживает только текстовую модальность. При обучении использовалась смесь коротких и длинных данных общим объёмом 20B токенов; заявлено стабильное функционирование с контекстом до 64K токенов и высокая производительность на задачах длинного контекста среди моделей сопоставимого размера. Ограничения включают возможное влияние квантизации на качество, однако конкретный формат и уровень квантизации в представленном README не указаны. Языки, точные аппаратные требования и детальные показатели benchmark также не приведены. Лицензия указана как llama3. Условия её применения следует проверять по лицензии семейства Llama 3 и исходной карточке модели.

Qwen2.5-VL-32B-Instruct — мультимодальная инструктивно настроенная модель семейства Qwen, опубликованная в репозитории Unsloth и основанная на Qwen/Qwen2.5-VL-32B-Instruct. Это плотная модель на 32 млрд параметров с архитектурой Qwen2_5_VLForConditionalGeneration, предназначенная для диалога по изображениям и видео и генерации текстовых ответов. Контекст модели по метаданным составляет до 128 000 токенов; в README описаны обработка изображений с динамическим разрешением и видео с выборкой кадров по времени. Модель распознаёт объекты и текст на изображениях, анализирует диаграммы и макеты, локализует объекты с помощью координат, отвечает на вопросы о содержимом изображений и видео и формирует структурированные данные, например из счетов и форм. Также README отмечает улучшенные математические рассуждения и поддержку сценариев визуального агента с использованием инструментов. В README указано, что для длинных текстов свыше 32 768 токенов применяется YaRN; это следует учитывать при настройке обработки контекста, поскольку конфигурация README задаёт именно эту длину до экстраполяции. Для видео описана поддержка локальных файлов, а совместимость URL зависит от версии сторонней библиотеки. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

GPT-5.4 Pro — модель OpenAI на базе унифицированной архитектуры GPT-5.4, рассчитанная на сложные задачи, требующие усиленного рассуждения и надёжности. Она предназначена для сценариев с большим объёмом контекста и высокими требованиями к качеству ответов. В README указано контекстное окно более 1 млн токенов: до 922 тыс. токенов на вход и 128 тыс. на выход. Данных о языках, лицензии и других модальностях в доступном фрагменте нет.

Карточка модели Lostsoulfs/Qwen2.5-VL-7B-Instruct 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.

MiMo-V2.6-Flash-RL — мультимодальная модель Xiaomi из серии MiMo-V2.6, обученная с подкреплением для задач агентного взаимодействия и самоулучшения по обратной связи. Она предназначена для генерации текста, работы с инструментами, программирования и мультимодального понимания; обучение объединяет задачи кодирования, визуальные сценарии, агентов общего назначения и кибербезопасность. В README архитектура описана как разреженная MoE с 309 млрд общих и 15 млрд активируемых параметров, 1 млн токенов контекста, обработкой текста, изображений, видео и аудио, а также визуальным и аудиокодировщиками. Метаданные Hugging Face, однако, указывают 12 млрд параметров и архитектуру dense MiMoV2ForCausalLM в формате safetensors FP8; поэтому точный размер и тип архитектуры опубликованной версии противоречивы. Метаданные также указывают поддержку английского и китайского языков. Для развёртывания README приводит рецепты SGLang и vLLM и интерфейс вызова инструментов. Модель распространяется по лицензии MIT. README приводит результаты отдельных бенчмарков, но не задаёт гарантий качества для конкретных задач; работа с длинным контекстом и мультимодальными входами требует совместимого программного обеспечения и достаточных вычислительных ресурсов.

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.

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.

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.

Nanonets-OCR2-3B-AIO-GGUF — мультимодальная модель для OCR и понимания документов, разработанная на базе nanonets/Nanonets-OCR2-3B и архитектуры Qwen2.5-VL-3B. Модель преобразует изображения документов в структурированный Markdown и поддерживает многоязычные сценарии обработки. Она предназначена для распознавания текста, таблиц в Markdown и HTML, формул LaTeX, блок-схем в формате Mermaid, подписей, водяных знаков, флажков и рукописных документов. Также заявлена поддержка visual question answering, включая ответы на вопросы по содержимому документов. Возможные области применения — оцифровка юридических, медицинских, финансовых и технических материалов, а также извлечение структурированных данных из неструктурированных источников. Модель содержит около 3 миллиардов параметров, имеет контекстное окно до 125 тысяч токенов и распространяется в формате GGUF с вариантами квантования от низкоразмерных IQ- и Q-квантов до F16. Это позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством вывода; при этом README не содержит количественных оценок качества и подробностей об ограничениях. Лицензия в предоставленных данных не указана.

Chandra-OCR-2-GGUF — набор квантованных файлов модели Chandra-OCR-2, разработанной Datalab и опубликованной пользователем prithivMLmods. Это мультимодальная модель для распознавания изображений и PDF-документов с преобразованием содержимого в структурированный Markdown, HTML или JSON при сохранении информации о расположении элементов. Она предназначена для обработки финансовой и научной документации, исторических сканов, многоязычных форм и других сложных документов в автоматизированных AI-конвейерах. Модель поддерживает более 90 языков и рассчитана на работу с текстом, таблицами, математическими формулами, рукописным текстом, элементами форм, включая флажки, широкими макетами документов, изображениями и диаграммами. Заявлены улучшения по сравнению с Chandra 1 в разборе формул, реконструкции сложных таблиц с объединёнными ячейками, распознавании рукописного текста, извлечении диаграмм и создании описаний изображений. В README указаны результаты 85,9% на бенчмарке olmocr и 77,8% по многоязычной оценке, однако архитектура, число параметров и размер контекста не приведены. Репозиторий содержит варианты GGUF от BF16 и F16 до квантований Q2_K–Q8_0 размером примерно от 2,12 до 9,7 ГБ, а также отдельные мультимодальные проекторы. Это позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством, но README не содержит подробных сравнений качества квантованных вариантов или требований к оборудованию. Модель доступна для локального запуска через HuggingFace Transformers и vLLM, а также через размещённые сервисы и playground. Лицензия обозначена как other, без уточнения условий и ограничений использования.

Claude OSS 9B — независимая open-source языковая модель, разработанная автором squ11z1. Это неофициальный продукт Anthropic: модель дообучена на базе Qwen/Qwen3.5-9B с использованием открытых датасетов, общий объём которых составляет примерно 200 000 строк. Модель предназначена для общего диалога и работы в формате ассистента, многоязычного общения, задач на рассуждение, написания и суммаризации текстов, лёгкой помощи в программировании и поддержания согласованного поведения и идентичности ассистента. Заявлена поддержка более 200 языков. Модель работает с текстом и относится к классу instruction-tuned conversational моделей для генерации текста. Ключевые характеристики включают размер около 9 млрд параметров и архитектурную основу Qwen3.5-9B; точное устройство архитектуры и размер контекстного окна в README не указаны. Обучение было сфокусировано на следовании инструкциям, диалогах, многоязычных запросах, сохранении способности к рассуждению и общей практической полезности. Ограничения включают отсутствие подробных независимых результатов оценки, неизвестные значения контекстного окна и отсутствие заявленной поддержки мультимодальных входов. Модель распространяется по лицензии Apache-2.0.

luka023/proba — модель Sentence Transformers, дообученная автором на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью 1024 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Векторное представление строится на XLM-RoBERTa с усреднением токенов и нормализацией; для сравнения используется косинусное сходство. Обучение проводилось на 198 парах текстов, связанных отношением «запрос — подходящий фрагмент». Модель поддерживает многоязычные тексты; примеры обучающих данных приведены на сербском. Максимальная длина входа — 512 токенов по README и 514 токенов по метаданным. Лицензия в предоставленных данных не указана.

YKYSpatz/ragproject_ver2 — дообученная авторами модель Sentence Transformers на базе YKYSpatz/ragproject для сравнения и поиска семантически близких текстов. Модель использует архитектуру BERT с 40 млн параметров, выдаёт нормализованные плотные векторы размерности 384 и оценивает близость предложений по косинусному сходству. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. Пример в карточке показывает пары короткого запроса о медицинском документе с более длинными медицинскими фрагментами; это указывает на применение для поиска или отбора медицинских текстов, но не подтверждает специализированную медицинскую точность. Карточка не сообщает лицензию и языковую специализацию модели.

cloudyu/mistral_15B_instruct_v0.1 — разговорная модель для генерации текста, разработанная на базе архитектуры Mistral и дообученная методом SFT на наборе vicgalle/alpaca-gpt4. Карточка указывает 64 слоя; в метаданных размер модели составляет 14,1 млрд параметров, а родной контекст — 32 768 токенов. Модель принимает инструкции и необязательные входные данные в шаблоне «инструкция — вход — ответ» и генерирует текстовые ответы. Модель предназначена для диалогов и выполнения инструкций общего назначения. Репозиторий содержит веса в формате safetensors; лицензия — CC BY 4.0. README и метаданные не указывают поддерживаемые естественные языки или специализированные области применения.

Nanonets-OCR2-1.5B-exp — экспериментальная модель Nanonets для преобразования изображений документов в структурированный Markdown. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL; модель содержит около 982,1 млн параметров, принимает изображения и текстовые запросы и генерирует текст. Контекст — до 32 768 токенов. Модель распознаёт печатный и рукописный текст на разных языках, извлекает сложные таблицы, формулы с разметкой LaTeX, водяные знаки и подписи, описывает изображения в документах и передаёт схемы в Mermaid. Также она отвечает на вопросы по содержимому документа, а если ответа там нет, должна сообщить, что сведения не упоминаются. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц результат зависит от настроек генерации и качества исходного документа. Лицензия — Apache-2.0.

Это неофициальная конверсия Chandra OCR 2 от Datalab в формат GGUF с точностью BF16 для запуска через llama.cpp. Веса модели и проектор зрения сохранены в BF16; неиспользуемая черновая MTP-голова удалена. Конверсия проверена на одной AMD Radeon RX 9070 XT с 16 ГБ памяти, но формат GGUF не привязан к RDNA 4, и работа на другом оборудовании не подтверждена этой карточкой. Модель принимает изображения и предназначена для распознавания текста и структуры документов, включая PDF, с выдачей результата в текстовых форматах вроде Markdown, HTML или JSON. В README перечислены проверки на изображениях, PDF, финансовых таблицах и рукописных документах. Это перенос формата, а не дообучение или улучшение качества OCR; лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели и файлами репозитория.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

wanlige/QWQ-stock — языковая модель на архитектуре Qwen2, созданная методом Model Stock с помощью mergekit путём слияния нескольких предварительно обученных моделей. В качестве базовой использована Qwen/Qwen2.5-32B-Instruct; среди компонентов также указаны Qwen2.5-32B, QwQ-32B, DeepSeek-R1-Distill-Qwen-32B-abliterated и другие варианты Qwen. Модель содержит 32 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Модель подходит для ответов на запросы, ведения диалога и генерации текста на нескольких языках. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. Поддерживаются английский, русский, китайский и ряд других языков; объединение разных моделей может приводить к неоднородному поведению и качеству в отдельных задачах. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели usama1111/e5-pak-legal-constitutional на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

Карточка модели ng3owb/finance_embedding_8k на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Это текстовая Sentence Transformer модель Voctree, дообученная на базе microsoft/harrier-oss-v1-270m. Она преобразует предложения и абзацы в плотные векторы размерности 640 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel, пулинг последнего токена и нормализацию эмбеддингов. Модель принимает текст, поддерживает контекст до 32 768 токенов и обучалась на 18 851 паре текстов с использованием MultipleNegativesRankingLoss. Примеры данных включают соответствия между английскими и корейскими названиями товаров, что указывает на пользу для многоязычного поиска. В карточке не указана лицензия, поэтому условия использования определить нельзя.

Unsloth/Nanonets-OCR-s — модель оптического распознавания символов на основе Qwen2.5-VL, представленная в формате safetensors и рассчитанная на преобразование изображений документов в структурированный Markdown. Она предназначена для извлечения текста и элементов сложной вёрстки с последующей обработкой в системах на базе LLM. Модель распознаёт формулы и записывает их в LaTeX, извлекает таблицы в Markdown или HTML, описывает изображения, а также отмечает подписи, водяные знаки и состояния флажков в формах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Репозиторий Unsloth обозначен как дообучение nanonets/Nanonets-OCR-s; карточка также заявляет улучшенную точность версии Unsloth Dynamic 2.0, но не приводит сопоставительных результатов. Модель подходит для оцифровки деловых и юридических документов, форм, таблиц и страниц с математическими формулами, а также для подготовки содержимого документов к поиску и обработке LLM. Сведения о лицензии в предоставленных данных отсутствуют.