27 постов
кхмерский OCR через LoRA-адаптер
LoRA-адаптер от CADT-IDRI (IDRI, CADT, Пномпень) для DeepSeek-OCR-2. Добавляет распознавание печатного кхмерского текста, а также английского текста и LaTeX-формул. Это только файлы адаптера: для запуска нужна базовая мо
школьные MCQ на сингальском с reasoning
SinhalaMMLU — дообученная модель для вопросов с выбором ответа по школьной программе Шри-Ланки, 6–13 классы. Сделана из Google Gemma 4 E4B-it через reasoning distillation, merged LoRA и 50/50-интерполяцию весов с базовой
9B-адаптер, который проговаривает картинку по шагам
Lucia v1 от AbstractPhil — старшая в семействе Lucia, LoRA-адаптер к Qwen/Qwen3.5-9B (image-text-to-text). Модель смотрит на изображение и выдаёт строку «thought-symbolic-image»: короткую цепочку мыслей, по одному именов
модель, которая не пишет текст, а выбирает ответ
Sieve-Vision-27B от sthanika-ai — визуальная модель принятия решений на базе Qwen/Qwen3.8-27B, около 26 млрд параметров. Ей дают одну или несколько картинок и вопрос с вариантами, а она возвращает калиброванную вероятнос
мультимодальная модель для смартфона
LiteRT-версия LiquidAI/LFM3-Omni-2B от litert-community: принимает текст, изображения и аудио, отвечает текстом; для озвучки есть отдельные LiteRT-графы и Python-runner. Исходная модель — 2,17 млрд параметров в BF16; зде
команда моделей на устройстве за миллисекунды
squad-0.8b от labqoat — типизированная decision-модель на 0.85B (System One API: состояние и типизированные вопросы на входе, вероятность по каждому допустимому ответу на выходе, один forward pass, без генерации текста).
draft-голова для ускорения OCR
DSpark — это draft-модель для speculative decoding от OpenBMB, предназначенная для MiniCPM-OCR 1.0. Она не работает как самостоятельная OCR-модель: её нужно использовать в паре с основной 1.3B-моделью из того же релиза.
397B MoE-агент для управления компьютером
NorthCUA-Pro — крупнейшая модель семейства NorthCUA от beipo-ai: 397B параметров всего и 17B активных, mixture-of-experts на базе Qwen3.5. Она принимает запросы, скриншоты и историю взаимодействия, а выдаёт рассуждения,
компактный визуальный grounding с проверкой боксов
Locus-2B — компактная VLM на базе Qwen/Qwen3-VL-2B-Instruct (1,75 млрд параметров) от MTalha2001. Она находит объект по текстовому описанию и возвращает bounding box в пикселях либо отвечает, что объекта нет на изображен
мультимодальный решатель для браузера с восстановленной языковой головой
LFM3-VLD-2B — гибридная мультимодальная модель на 2,18 млрд параметров от webbrain-one, собранная методом Pegasus. В основе — 24-слойная архитектура Conv + GQA attention + Feed-Forward, vision tower, мультимодальный прое
мультипроходный протокол решений для браузерных скриншотов
Это адаптация LiquidAI/LFM3-VL-2B от webbrain-one для задачи image-text-to-text. Модель на 1.92B параметров использует multipass-протокол VL-D: verify с ответом Yes/No по каждому варианту и readout с кодом выбранной опци
компактная OCR для сложных документов
Surya 2.5 от Datalab — OCR-модель на 689M параметров. Через единый VLM она выполняет распознавание текста, layout-анализ и разбор таблиц на изображениях и PDF, выдавая блоки в порядке чтения и HTML-представление содержим
объекты и пиксели в одной VLM
WeVisOne-VL-4B от WeChat Vision (Tencent) — унифицированная vision-language модель на базе Qwen3-VL. Она объединяет object-level и pixel-level восприятие через structured next-token prediction и лёгкий pixel decoder на 9
компактная OCR-мультимодель для документов
OvisOCR3 — универсальная мультимодальная модель на 0,8 млрд параметров от ATH-MaaS, построенная на Qwen3.5-0.8B. Она объединяет разбор документов, общий OCR, извлечение ключевой информации, подписи к рисункам и восстанов
меньше параметров, выше средний балл
Groot-19B-A3B-261023 — нативно мультимодальная MoE-модель от GrootTeam для сложных reasoning- и tool-задач. У неё ~19B общих параметров, но активируется ~3B на токен; это самая маленькая модель в своей группе сравнения.
2B-судья для проверки OCR
OpenBMB выпустила MiniCPM-OCR-Jev — 2.21B-модель для оценки корректности результатов OCR текстовых, формульных и табличных регионов. На вход она получает изображение региона и кандидата распознавания, а на выходе даёт sc
4B-агент, который сам выбирает: кликнуть или написать код
Microsoft Mage Team представила Mage-VL-Cowork — компактную 4B vision-language policy для hybrid computer-use. Один чекпоинт объединяет работу через скриншоты и GUI (computer_use) с выполнением кода и команд в терминале
видео, собранное кодом
SenseNova 6.8 Code2Video — лёгкая открытая модель для создания видео через генерацию исполняемого кода. Это файнтюн Qwen3.8-27B на 27,36 млрд параметров; модель строит и рендерит короткие ролики, полностью реализованные
компактная модель решений для текста, картинок и видео
LiquidAI выпустила d1-2B — компактную модель решений на базе LFM3-VL-2B. Это не чат-модель: она отвечает на именованные вопросы о состоянии (текст или JSON), изображениях и видео, возвращая типизированные ответы с вероят
компактная OCR-модель для документов
MiniCPM-OCR 1.0 (1.3B) — первая OCR-специализированная модель в семействе MiniCPM-V/o от OpenBMB. Обучена на базе MiniCPM-V 4.6 для разбора текста, таблиц, формул, графиков, печатей и извлечения структурированной информа