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

UDOP-large-512 — модель семейства UDOP для обработки документов, представленная в работе Zineng Tang, Ziyi Yang и соавторов. Она использует архитектуру encoder-decoder Transformer на основе T5 и объединяет визуальную информацию, текст и структуру расположения элементов документа. Модель содержит 386,3 млн параметров и предназначена для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Модель принимает изображение документа и текстовый запрос или инструкцию и генерирует текстовый ответ либо результат разбора. Карточка описывает задачи обработки документов, но не сообщает поддерживаемые языки или длину контекста. Веса опубликованы в формате safetensors; лицензия — MIT.

Bee-150M-PT-SFT — португалоязычная модель BrCamp для генерации текста и диалогов, полученная полным дообучением Bee-150M-PT-Base на примерах инструкций и использования инструментов. Это плотная авторегрессионная модель семейства Llama примерно на 151 млн параметров; она работает через Transformers, использует шаблон чата ChatML и поддерживает контекст до 2048 токенов. Модель предназначена для выполнения инструкций на португальском языке, когда нужные сведения уже содержатся во входном контексте: суммаризации, извлечения и структурирования данных, переписывания, классификации и форматирования текста. Обучение включало 7 152 примера, в том числе примеры вызова инструментов; наличие такого обучения не гарантирует надёжной работы с инструментами в произвольной среде. Карточка отмечает, что дообучение улучшает формат ответов, но не обеспечивает устойчивых фактических знаний: модель может уверенно выдумывать сведения и давать разные ответы на один вопрос. Не следует полагаться на неё для открытых фактических вопросов или медицинских, юридических и финансовых советов. Лицензия — Apache-2.0.

LFM2-8B-A1B от Liquid AI — гибридная языковая MoE-модель для локального запуска на телефонах, планшетах и ноутбуках. Вариант unsloth/LFM2-8B-A1B дообучен на основе LiquidAI/LFM2-8B-A1B; архитектура включает 18 блоков коротких свёрток и 6 блоков внимания GQA. В README указаны 8,3 млрд параметров всего и 1,5 млрд активных; метаданные Hugging Face сообщают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям, вызова инструментов, извлечения данных, RAG, творческого письма и агентных сценариев. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка рекомендует использовать её для узких задач после дополнительной настройки. Лицензия обозначена как other. По карточке, модель не рекомендуется для задач, требующих обширных знаний или программирования; сведения о конкретных условиях лицензии в предоставленных данных отсутствуют.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель на базе Qwen 3.8 27B, дообученная и объединённая в рамках многоэтапного пайплайна Fable Fusion и COLD FUSION с использованием Unsloth. Разработчик позиционирует её как открытую модель для потребительского оборудования. Доступны обычные и MTP GGUF-квантизации, включая варианты с точностью 4 и 8 бит. В README заявлены поддержка английского и китайского языков, а также image-text-to-text как тип задачи, однако подробности мультимодальной архитектуры не указаны. Модель предназначена для общего решения задач, рассуждений, программирования, творческого письма, создания художественных текстов, ролевых сценариев и других текстовых применений. Основной акцент сделан на сокращении объёма «размышлений» и ускорении генерации при сохранении детализации и качества ответов. Также заявлена ориентация на MTP и высокую производительность в задачах кодирования. По утверждению автора, модель превосходит базовые Qwen 3.8 27B и ряд других моделей в семи ключевых бенчмарках, включая ARC-C и ARC-E; независимое подтверждение этих результатов в предоставленных данных отсутствует. К сильным сторонам относятся сравнительно компактный размер для заявленного уровня возможностей, поддержка GGUF, наличие 4- и 8-битных вариантов, сниженное чрезмерное рассуждение и специализация на коде и творческой генерации. Ограничениями являются отсутствие точных данных о размере контекстного окна, параметрах мультимодальности, системных требованиях и реальной производительности на разных устройствах. Модель описывается как uncensored и abliterated, поэтому её поведение в вопросах безопасности может отличаться от исходной модели. Лицензия — Apache-2.0.

Socrates-Qwen2.5-14B-SFT — дообученная SocratesFT модель на базе Qwen2.5-14B-Instruct, представленная в формате safetensors для библиотеки Transformers. Она предназначена для генерации текста и диалогов; карточка связывает её с набором данных SocSci210. Модель имеет плотную архитектуру Qwen2 и 14 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Метаданные указывают на поддержку следования инструкциям и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

ghddls7799/medical-bgem3-dense-ko — текстовая модель эмбеддингов на базе BAAI/bge-m3, дообученная разработчиком ghddls7799 с использованием Sentence Transformers. Архитектура XLM-RoBERTa с объединением представлений CLS и нормализацией формирует плотные векторы размерности 1024; для сравнения используется косинусное сходство. Метаданные указывают контекст до 8194 токенов, а карточка модели — максимальную длину последовательности 512 токенов. Модель предназначена для поиска и сравнения предложений и абзацев: семантического поиска, оценки текстового сходства, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В карточке указана дообучающая выборка из 11 005 текстовых примеров с положительными и отрицательными парами. Основа BGE-M3 многоязычная, однако конкретные языки, представленные в дообучающих данных, не названы. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия в предоставленных сведениях не указана.

Orsta-32B-0326 — мультимодальная модель для анализа изображений, созданная командой MiniMax-AI путём постобучения Qwen2.5-VL-32B-Instruct с помощью системы обучения с подкреплением V-Triune. Модель принимает изображения и текстовые запросы и предназначена для совместного решения задач визуального рассуждения и распознавания. В карточке заявлены задачи по математике, научным вопросам, графикам и головоломкам, а также обнаружению объектов, визуальной локализации, OCR и подсчёту объектов. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 32 млрд параметров и имеет контекст длиной до 128 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; заявлена поддержка диалога и зрения. Карточка приводит сравнительные результаты на нескольких бенчмарках, но не даёт здесь полного набора таблицы и подробной методики оценки. Лицензия — MIT.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

Contextual AI разработала ctxl-rerank-v2-instruct-multilingual-6b — плотную модель на архитектуре Mistral с 6,4 млрд параметров для ранжирования текстов. Она оценивает релевантность документов запросу и умеет учитывать пользовательские инструкции, например отдавать приоритет более свежим сведениям или разрешать противоречия между результатами поиска. Модель рассчитана на мультиязычный поиск более чем на 100 языках и сценарии поиска товаров и рекомендаций. Модель принимает запрос, документ и, при необходимости, инструкцию; выдаёт оценку релевантности, где более высокий балл означает более подходящий документ. README указывает контекст до 32 тысяч токенов, тогда как метаданные Hugging Face заявляют нативный контекст в 1 024 000 токенов; фактический поддерживаемый размер зависит от реализации и конфигурации. В карточке также описаны применение для ответов на вопросы и результаты на BEIR, однако это остаётся моделью ранжирования, а не генератором ответов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

IndicOCR — разработанная Bodhan AI модель для распознавания текста и разбора страниц документов на английском и индийских языках. Она принимает изображение страницы и формирует упорядоченный по чтению Markdown, а также структурированные данные JSON по блокам. Система состоит из двух этапов: IndicDocLayout на базе PP-DocLayoutV3/RT-DETR обнаруживает и упорядочивает элементы страницы, а IndicBlockOCR на базе Qwen3.5-0.8B распознаёт текстовые блоки. Размеры компонентов составляют 33 млн и 0,8 млрд параметров соответственно; распознаватель использует токенизатор Sarvam-30B. Модель предназначена для OCR и разбора документов, включая печатный текст на английском и 22 индийских языках, а также рукописный текст на английском и 12 индийских языках. Она поддерживает сохранение порядка чтения, представление формул в LaTeX и таблиц в HTML или Markdown. По умолчанию изображения, диаграммы, реклама, колонтитулы и верхние/нижние колонтитулы определяются, но не передаются распознавателю; в JSON для них остаётся пустой текст. Качество распознавания рукописного текста ещё улучшается и зависит от стиля письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

MetaMath-Chupacabra-7B-v2.01-Slerp-Mistral-7B-Instruct-v0.2-slerp — текстовая диалоговая модель, созданная слиянием MetaMath-Chupacabra-7B-v2.01-Slerp и Mistral-7B-Instruct-v0.2 методом SLERP. В карточке указана архитектура Mistral с плотной причинной языковой моделью на 7,1 млрд параметров; модель предназначена для генерации текста и ответов на инструкции в формате чата. Модель принимает текст и генерирует текст. Максимальная длина контекста составляет 32 768 токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Качество и поведение слияния могут зависеть от запроса; отдельные ограничения в карточке не описаны.

google/pix2struct-docvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов по документам. Она использует архитектуру «кодировщик изображений — декодер текста» и дообучена для задачи DocVQA: отвечает на вопросы, опираясь на содержимое изображения документа. Модель принимает изображение документа и текстовый вопрос, а выдаёт ответ текстом. Pix2Struct предварительно обучалась разбирать скриншоты веб-страниц в упрощённую HTML-структуру; для работы с визуально расположенным текстом модель использует представление изображений с переменным разрешением. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Модель подходит для извлечения сведений из документов по запросу, например для поиска значений в формах или ответов по содержимому страниц. Её возможности за пределами визуальных вопросов и ответов по документам не подтверждены карточкой. Модель распространяется по лицензии Apache-2.0.

Gunulhona/Llama-Merge-Small — объединённая диалоговая языковая модель, созданная с помощью mergekit методом SLERP из KISTI-KONI/KONI-Llama3-8B-Instruct-20240729 и meta-llama/Meta-Llama-3.1-8B-Instruct. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; веса представлены в формате safetensors. Указанная длина контекста — 131 072 токена. Модель предназначена для генерации текста в диалогах и ответов на запросы; метаданные также отмечают интерфейс для вызова инструментов. Базовая модель KISTI описана как корейская диалоговая модель для ответов на вопросы и помощи с научно-технической информацией, однако README не приводит отдельной оценки возможностей или языкового охвата именно этого объединения. Лицензия в предоставленных данных не указана.

Это экспериментальная версия MiniMax M3 от Spark Arena: веса модели представлены в формате NVFP4 с калибровкой, которая пока дорабатывается, а REAP сокращает модель на 25%, чтобы разместить её на двух узлах DGX Spark вместо четырёх. Базовая MiniMax M3 — мультимодальная модель примерно с 428 млрд параметров, из которых активируется около 23 млрд; она использует разреженное внимание MiniMax Sparse Attention и заявленный контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, программирования и агентных сценариев с вызовом инструментов. В README отмечены возможности анализа длинного контекста и ускорения обработки, однако качество этой экспериментальной сборки и влияние REAP на него проверены не полностью. Для правильного применения калибровки NVFP4 требуется совместимая поддержка в среде запуска. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Unlimited-OCR-Community-FP8-Dynamic — неофициальная общественная FP8-квантизованная версия модели baidu/Unlimited-OCR, разработанной Baidu. Квантизацию выполнила ShadowRock, автор — Matt Busi. Модель предназначена для OCR и структурированного разбора документов по изображениям, включая счета, служебные записки и табличные отчёты, с поддержкой координат областей текста. Это мультимодальная vision-language модель размером 3,34 млрд параметров с MoE-архитектурой в стиле DeepSeek-V2. Она использует визуальный тракт на базе SAM-ViT-B и CLIP-L DeepEncoder с проектором, а также текстовый декодер. Применена схема FP8_DYNAMIC W8A8: веса линейных слоёв текстового декодера квантизованы в FP8, активации масштабируются динамически; визуальный тракт, эмбеддинги, выходная голова, маршрутизаторы MoE и нормализации сохранены в BF16. Заявлена мультиязычность, однако конкретный перечень языков и размер контекста в README не указаны. Основные преимущества версии — уменьшение размера чекпойнта с 6,7 до 3,9 ГБ и поддержка нативного FP8-выполнения на GPU Ada, Hopper и Blackwell. На небольшом наборе синтетических документов результаты жадного OCR совпали с BF16-базой посимвольно: CER составил 0,0 для всех тестовых примеров. Измеренная скорость декодирования — около 39,4 токена в секунду на RTX 5070 Ti с vLLM 0.26.0, что ниже показателя BF16 45,3 токена в секунду. Полноценные гарантии качества на реальных данных, ограничения по разрешению, контексту и языкам README не описывает. Модель распространяется по лицензии MIT. Это community-сборка, не официальный релиз Baidu; изменена числовая точность весов текстового декодера, поэтому совместимость и качество следует проверять в целевой конфигурации. Для запуска указана интеграция с Transformers и vLLM, требуется разрешение удалённого кода.

Это кросс-энкодерный переранжировщик steerrec, дообученный на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Он оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; в README приведена оценка на наборах amazon_test и amazon_val. Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 512 токенов по README; метаданные каталога указывают контекст до 8194 токенов. Лицензия в предоставленных данных не указана.

chienweichang/Llama-3-Taiwan-8B-Instruct-GGUF — набор файлов модели в формате GGUF, созданный для yentinglin/Llama-3-Taiwan-8B-Instruct. Модель относится к семейству Llama 3 Taiwan и предназначена для генерации текста, понимания запросов и ведения диалогов на традиционном китайском и английском языках. В карточке также указано, что исходная модель ориентирована на общие и отраслевые сценарии, включая право, производство, медицину и электронику, однако подробные характеристики именно 8B-версии приведены не полностью. Репозиторий содержит квантизированные варианты Q5_0, Q5_1, Q5_K_S, Q5_K_M, Q6_K и Q8_0 с размером файлов примерно от 5,6 до 8,54 ГБ. Квантизация позволяет запускать модель с меньшими требованиями к памяти, а варианты с большим числом бит обычно обеспечивают более низкие потери качества за счёт большего размера. Точная архитектура, длина контекста и дополнительные модальности для этой версии в README не указаны; по назначению это текстовая модель без заявленной поддержки изображений или других мультимодальных данных. Сильные стороны модели — поддержка традиционного китайского языка, английского языка и доступность нескольких уровней квантизации для локального запуска. Ограничения включают неизвестные из карточки показатели качества именно 8B-версии, отсутствие детальных данных о контекстном окне и требованиях к оборудованию, а также возможное снижение качества в квантизированных вариантах. Используется лицензия Llama 3.

Mihaiii/Metis-0.5 — дообученная модель Mistral с 7,1 млрд параметров, созданная на основе migtissera/Tess-XS-v1-3-yarn-128K. Модель предназначена для генерации ответов с упором на рассуждения и понимание текста; автор отмечает, что она хорошо работает с длинными системными инструкциями. Для взаимодействия используется формат с ролями SYSTEM, USER и ASSISTANT. Нативная длина контекста — 32 768 токенов. Модель подходит для анализа текста и решения задач на рассуждение, но автор не рекомендует использовать её для универсального сочинительства, например для написания историй. Она обучена на закрытом датасете. Лицензия — Apache-2.0.

Reason-mxbai-colbert-v0.1-32m — англоязычная модель поиска документов, разработанная на основе mixedbread-ai/mxbai-edge-colbert-v0-32m и дообученная командой DataScience-UIBK. Это компактная ColBERT-модель с архитектурой ModernBERT и поздним взаимодействием: она строит многовекторные представления запросов и документов и сопоставляет их с помощью MaxSim. Размер составляет около 31,9 млн параметров, размерность вектора на токен — 128, а длина контекста по метаданным — 7999 токенов. Модель предназначена для семантического поиска и ранжирования документов, в том числе по сложным естественно-языковым и формальным математическим запросам. В версии v0.1 исправлена конфигурация остаточной связи проекционного слоя и расширена выходная проекция с 64 до 128 измерений; автор сообщает улучшение среднего BRIGHT nDCG@10 с 19,00 до 19,61 относительно v0. Лицензия — Apache-2.0. Модель специализируется на retrieval, а не на генерации ответов. Для сравнения длинных документов вычисления MaxSim могут быть затратными; результаты зависят от параметров обработки запросов и документов, а README приводит оценку с конкретными ограничениями длины и способом поиска.

Typhoon-0219 — инструктивная языковая модель команды SCB10X AI, предназначенная для диалогов и выполнения пользовательских инструкций на тайском и английском языках. Это плотная авторегрессионная модель с 7,1 млрд параметров на архитектуре Mistral, основанная на Typhoon 7B и дообученная на разнообразном наборе данных для настройки инструкций объёмом более миллиона примеров. Модель поддерживает системные сообщения и шаблон диалога ChatML; родной контекст составляет 32 768 токенов. Модель подходит для создания тайскоязычных и англоязычных чат-ботов, ответов на вопросы и других задач генерации текста по инструкциям. Указана лицензия Apache-2.0. Разработчики отмечают, что модель всё ещё развивается и может выдавать неточные, предвзятые или нежелательные ответы; её поведение следует оценивать для конкретного применения.

INTELLECT-1-step-69200 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников, включая Arcee AI и Hugging Face. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров, обученная с нуля на триллионе токенов английских текстов и кода; данный вариант соответствует шагу обучения 69 200. В архитектуре указаны 42 слоя и 32 головы внимания, максимальный контекст — 8192 токена. Модель предназначена для генерации продолжений текста и кода на английском языке. Она создавалась с распределённым обучением на нескольких континентах; для обмена градиентами применялись пользовательские int8 all-reduce-ядра. В README этот файл обозначен как промежуточный чекпойнт, поэтому его качество и стабильность могут уступать финальной версии INTELLECT-1. Модель распространяется по лицензии Apache 2.0.

REBEL-OpenChat-3.5 — диалоговая языковая модель Cornell-AGI, созданная дообучением OpenChat-3.5 методом REBEL (Reinforcement Learning via Regressing Relative Rewards). При обучении использовались модель вознаграждения Starling-RM-7B-alpha и датасет Nectar; модель предназначена для ответов на вопросы и выполнения текстовых инструкций в формате чата. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В README приведены результаты AlpacaEval 2.0, MT-Bench, MMLU и GSM8K, но они сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Apache-2.0.

Snowball 67B-A2B SFT Stage 2: Thinking — текстовая модель генерации и диалога, разработанная в рамках кампании supervised fine-tuning Marin. Это BF16-экспорт для Hugging Face и vLLM; архитектура Grug MoE, число параметров по метаданным — 2,8 млрд, контекст — до 32 768 токенов. Модель сохраняет токенизатор Marin и специальные токены Delphi. Модель предназначена для генерации ответов и рассуждений в диалоге. Она продолжает обучение финального чекпойнта Stage 1 Chat на наборе данных laion/llama-nemotron-science-reasoning-on-canonical-think-full: один упакованный проход, 630 шагов; в карточке это обозначено как Stage 2 Thinking. Лицензия — Apache-2.0.

ddobokki/ko-trocr — модель OCR для распознавания корейского текста на изображениях, созданная с использованием опыта, полученного на соревновании AI OCR Challenge 2023 от Kyowon Group. Она построена по архитектуре VisionEncoderDecoder: энкодер взят из TrOCR base stage 1, а декодер использует KR-BERT-char16424. Токенизатор декодера поддерживает начальные согласные корейских слогов, что помогает распознавать символы, которые иначе могли бы отображаться как неизвестные токены. Модель обучалась на наборах AI Hub для распознавания корейских символов в разных формах и OCR государственных административных документов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка ориентирует модель на корейский язык и задачу извлечения текста из изображений.

LFM2.5-ColBERT-350M — многоязычная модель поиска Liquid AI для семантического извлечения документов и ранжирования результатов. Она использует двунаправленную архитектуру LFM2 и позднее взаимодействие ColBERT: модель строит векторы для токенов запроса и документа, а релевантность оценивает по их совпадениям через MaxSim. Модель содержит около 350 млн параметров по README; метаданные каталога указывают 443,4 млн. Базой служит LiquidAI/LFM2.5-350M-Base с двунаправленными изменениями. Реализация доступна в формате safetensors через PyLate. Модель предназначена для многоязычного и межъязыкового поиска в RAG-системах, включая поиск по каталогам товаров, базам FAQ и поддержки, а также внутренним документам. Её также можно применять для повторного ранжирования результатов первичного поиска. README рекомендует длину документа до 512 токенов и запроса до 32 токенов; контекстное окно в метаданных составляет 128 000 токенов. Поддерживаются английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский языки. Многовекторное представление обеспечивает более точное сопоставление, чем одно векторное представление, но увеличивает размер поискового индекса. Модель ориентирована на сценарии с коротким контекстом. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Platypus-30B — авторегрессионная языковая модель Cole Hunter и Ariel Lee, дообученная в формате инструкций на основе архитектуры LLaMA-30B. Она предназначена для генерации ответов на запросы и выполнения инструкций на английском языке. Модель содержит около 32,3 млрд параметров, использует плотную архитектуру LLaMA и контекст до 2048 токенов. Для дообучения использовался тщательно отобранный набор пар «вопрос — ответ»; авторы приводят результаты оценки на ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать токсичные, вредные или предвзятые ответы, а её ответы не следует считать достоверным источником или заменой человеческому суждению. Карточка указывает, что базовые веса LLaMA распространяются по специальной некоммерческой лицензии Meta; метаданные модели обозначают лицензию как other.

Trendyol-LLM-7b-chat-v0.1 — чатовая версия генеративной языковой модели, разработанной Trendyol и архивированной VeriPazarı. Это авторегрессионная плотная трансформерная модель семейства LLaMA, дообученная с помощью LoRA на наборе из 180 тысяч инструкций. Модель содержит 6,7 млрд параметров, принимает и генерирует текст, поддерживает чатовый режим и имеет контекст длиной до 4096 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на турецком и английском языках. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Авторы предупреждают, что ответы могут содержать ошибки, предвзятость или токсичный контент, а надёжность модели в реальных приложениях широко не проверялась.

Vintern-Embedding-1B — мультимодальная модель для поиска по документам, созданная 5CD-AI на базе Vintern-1B-v3_5. Она обучена на более чем 1,5 млн пар «вопрос — документ» для задач визуальных вопросов и ответов, а также текстовых вопросов и ответов. Модель поддерживает поиск по связям «текст — визуальный документ» и «текст — текст» и рассчитана на использование в системах RAG, мультимодальных поисковых системах и приложениях информационного поиска. Модель имеет около 0,9 млрд параметров и использует архитектуру ColInternVL2. В README приведены результаты на вьетнамских наборах для поиска по таблицам и юридическим текстам, а также на мультимодальном бенчмарке ViDoRe; авторы сообщают о высоких результатах, в частности в областях искусственного интеллекта, здравоохранения и государственного управления. Указанные результаты зависят от наборов данных и методики оценки. Основной язык модели — вьетнамский; также заявлена применимость для английского, а метаданные карточки перечисляют китайский. Модель дообучена от 5CD-AI/Vintern-1B-v3_5. Карточка не сообщает длину контекста и лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Skskskd/bliz-ia — языковая модель, разработанная пользователем или организацией Skskskd. Она предназначена для общих задач обработки и генерации текста, включая диалог, ответы на вопросы, суммаризацию и анализ документов. Модель имеет около 0,5 млрд параметров, основана на архитектуре llmv3/Transformer и поддерживает контекст до 32 768 токенов. Указана модальность text generation; сведений о поддерживаемых языках и мультимодальных возможностях не найдено. Небольшой размер делает модель подходящей для сред с ограниченными вычислительными ресурсами, а большое контекстное окно — для работы с длинными текстами. При этом по доступным данным нельзя надёжно оценить качество, специализированные преимущества и ограничения модели. Информация о лицензии и условиях самостоятельного использования не указана.

Ourbox-35B-JGOS — модель рассуждений с архитектурой MoE, созданная платформой Darwin компании FINAL-Bench / VIDRAFT_LAB путём эволюционного объединения FFN-экспертов базовой модели Qwen3.6-35B-A3B и специализированных моделей-доноров. В модели 35 млрд параметров, из которых активно около 3 млрд. Она сохраняет гибридное внимание и заявленную длину контекста 262 тыс. токенов; веса доступны в формате Safetensors, библиотека запуска — Transformers. Модель ориентирована прежде всего на рассуждения и генерацию на корейском языке, а также на многоязычный чат и задачи общего текстового поколения. В README заявлен результат 86,36% на GPQA Diamond по протоколу majority-of-8+, однако это заявление относится к конкретной оценке и не гарантирует аналогичного качества в других задачах или при одиночной генерации. Модель распространяется по лицензии Apache 2.0.