Qwen2.5-VL-3B-Instruct — компактная мультимодальная модель Alibaba для диалогового анализа изображений и видео с ответами на естественном языке и структурированным выводом.
Подходит для: распознавание текста и объектов на изображениях · извлечение данных из счетов, форм и таблиц · анализ диаграмм, графиков и макетов
GPT-6 Sol Pro — вариант GPT-6 Sol от OpenAI с режимом pro для более качественных ответов на сложные задачи.
Подходит для: подготовка развёрнутых ответов на сложные вопросы · решение многоэтапных текстовых задач · анализ и объяснение текстовой информации
MiniMax-M1 — открытая модель рассуждений для генерации ответов на сложные запросы и работы с длинным контекстом.
Подходит для: многошаговое рассуждение по текстовому запросу · ответы на сложные вопросы · анализ длинных текстов
Мультимодальная модель OpenGVLab для диалога по изображениям и анализа визуальной информации, включая документы, диаграммы и текст на изображениях.
Подходит для: ответы на вопросы по изображениям · извлечение текста и понимание документов на изображениях · анализ диаграмм и инфографики
Мультимодальная модель NVIDIA для анализа текста, изображений, аудио и видео, включая транскрибацию, OCR, суммаризацию и корпоративную обработку документов.
Подходит для: транскрибация речи в аудио и видеозаписях · поиск и суммаризация видео и речевого содержимого · извлечение текста и ответов из сканов и деловых документов
Дообученная мультимодальная LayoutLM от Impira отвечает на вопросы по содержимому документов с учётом визуальной структуры.
Подходит для: поиск ответов на вопросы в PDF-документах · извлечение сведений из форм и сканированных документов · поиск фактов в документе по запросу на английском языке
Chandra — OCR-модель Datalab на базе Qwen3-VL для извлечения текста и структуры из изображений и PDF с выдачей в Markdown, HTML или JSON.
Подходит для: извлечение текста из сканов и изображений · преобразование PDF в Markdown, HTML или JSON · распознавание рукописного текста в формах
Компактная vision-language модель OpenTyphoon для извлечения текста и структуры из тайских и английских документов по изображениям.
Подходит для: извлечение текста из сканов и изображений документов · разбор рукописных заметок и заполненных форм · извлечение таблиц из чеков и отчётов
Открытая vision-language модель Zyphra для диалога, анализа изображений и ответов на вопросы по визуальному содержимому.
Подходит для: ответы на вопросы по изображениям · извлечение сведений из диаграмм и графиков · ответы на вопросы по документам и сканам
Инструкционная модель ChatDB.ai на базе DeepSeek Coder для преобразования вопросов на естественном языке в SQL-запросы.
Подходит для: генерация SQL по вопросу на естественном языке · составление запросов для сложных составных вопросов к данным · создание SQL-запросов для выборки и агрегирования данных
Модель NVIDIA для извлечения текста, таблиц и структуры документов с координатами элементов по изображениям страниц.
Подходит для: извлечение текста и таблиц из страниц PDF · разбор структуры слайдов PPT · классификация заголовков, сносок, списков и других элементов документа
Мультимодальная модель XCurOS на базе Qwen3-VL для анализа изображений, документов и текста в корпоративных помощниках и локальных сценариях.
Подходит для: извлечение текста из сканов и фотографий документов · ответы на вопросы по изображениям и диаграммам · анализ корпоративных документов с визуальными элементами
Мультиязычная модель Microsoft для транскрибации длинных аудиозаписей с временными метками и разметкой говорящих.
Подходит для: транскрибация длинных записей встреч и интервью · создание стенограмм с указанием говорящих и временных меток · распознавание речи на нескольких языках и при переключении между языками
Мультимодальная модель NVIDIA для OCR, анализа документов и ответов на вопросы по изображениям на английском языке.
Подходит для: распознавание текста на изображениях и в документах · ответы на вопросы по содержимому изображения · краткое описание фотографии или иллюстрации
Модель VAGOsolutions для визуального поиска релевантных страниц в документах по текстовому запросу с учётом структуры и изображений.
Подходит для: поиск страниц в PDF по вопросу на естественном языке · поиск таблиц и диаграмм в документах · извлечение страниц для системы визуального RAG
Мультимодальная модель Cohere для корпоративных агентных рабочих процессов с контекстом 192 тысячи токенов и вызовом инструментов.
Подходит для: создание корпоративных AI-агентов с вызовом инструментов · анализ изображений и текста в агентных сценариях · выполнение многошаговых рабочих процессов с длинным контекстом
Мультимодальная модель Meta на 11 млрд параметров для диалога, ответов на вопросы и рассуждений по изображениям.
Подходит для: ответы на вопросы о содержимом изображения · извлечение сведений из сканов документов и схем · создание подписей и кратких описаний изображений
Solar Pro 4 — языковая модель Upstage с контекстом 524 тыс. токенов для длительных агентных задач и работы с документами.
Подходит для: анализ длинных документов · работа с большим контекстом в одном запросе · выполнение длительных многошаговых задач
Мультимодальная модель NuMind извлекает заданные поля из текста и изображений и формирует структурированный результат по JSON-шаблону.
Подходит для: извлечение имён, дат и числовых значений из документов · разбор изображений документов по заданной схеме · классификация извлечённых сведений по перечислениям и меткам
Мультимодальная модель LG AI Research на 33 млрд параметров для диалога, анализа изображений и понимания документов с контекстом до 262 144 токенов.
Подходит для: ответы на вопросы по изображениям · извлечение и объяснение информации из документов · распознавание текста и структуры документов
Sonar Pro Search — агентная поисковая система Perplexity для углублённого поиска, рассуждений и анализа через API OpenRouter.
Подходит для: углублённый поиск информации · анализ найденных источников · ответы на сложные исследовательские вопросы
Компактная мультимодальная модель Liquid AI для диалога, распознавания текста и ответов на вопросы по изображениям и документам.
Подходит для: описание содержимого фотографии · распознавание текста на изображениях и сканах · извлечение сведений из документов
NuExtract3 — мультимодальная модель NuMind на 4 млрд параметров для извлечения структурированных данных из документов и преобразования их изображений в Markdown.
Подходит для: Извлечение полей счетов и квитанций в JSON · Разбор форм и договоров по заданному шаблону · Преобразование сканов и фотографий документов в Markdown
Компактная модель StarDoc-AI на базе Qwen2.5-VL, которая извлекает текст и структуру из цифровых и сфотографированных документов.
Подходит для: извлечение текста и структуры из сканов документов · разбор таблиц и формул на изображениях страниц · распознавание и разбор документов, снятых камерой