Мультимодальная модель Baidu для распознавания текста и разбора длинных документов по изображениям.

Подходит для: извлечение текста из сканов документов · разбор многостраничных PDF после преобразования страниц в изображения · анализ структуры и содержимого длинных документов

Инструкционная мультимодальная модель Google DeepMind для диалога, анализа текста, изображений, видео и аудио, а также генерации кода.

Подходит для: ответы на вопросы по изображениям и документам · извлечение текста и данных из сканов и PDF · транскрибация аудио и перевод речи в текст

Дообученная мультимодальная модель Qwen на 27 млрд параметров для более эффективных рассуждений, программирования, диалогов и агентных задач.

Подходит для: написание и отладка кода · выполнение многошаговых задач через терминал · создание программных прототипов по текстовому описанию

Мультимодальная модель Google DeepMind на базе Gemma 4, которая быстро генерирует текст и анализирует текстовые, графические и видеовходы.

Подходит для: ответы на вопросы по изображениям и видеокадрам · извлечение текста из документов и изображений с помощью OCR · разбор PDF, графиков и снимков интерфейсов

UDOP-large — encoder-decoder Transformer на основе T5 для разбора изображений документов и ответов на вопросы по ним.

Подходит для: ответы на вопросы по изображению документа · извлечение и разбор содержимого документов · классификация изображений документов

Визуально-языковая модель OpenDataLab для извлечения структуры и содержимого документов и преобразования их в Markdown.

Подходит для: извлечение текста и разметки из страниц PDF · преобразование документов в Markdown для поисковых и RAG-систем · распознавание таблиц, включая таблицы с изображениями

Дообученная мультимодальная модель Qwen на 27 млрд параметров для диалогов и агентных задач, снижающая объём токенов рассуждения при близкой к базовой точности.

Подходит для: решение сложных задач с многошаговыми рассуждениями · поиск ответов в длинных документах · выполнение агентных задач с использованием инструментов

Мультимодальный предобученный Transformer Microsoft для понимания текста, изображений и структуры документов с возможностью дообучения под задачи Document AI.

Подходит для: извлечение полей из форм · понимание чеков и извлечение их содержимого · ответы на вопросы по изображению документа

Мультимодальная модель Microsoft для многоязычного понимания документов с учетом текста, его расположения и изображения страницы.

Подходит для: понимание структуры многоязычных документов · извлечение сущностей из форм и документов после дообучения · анализ расположения текста на страницах сканированных документов

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

Модель Datalab на базе Qwen3.5 извлекает структурированные данные из PDF и изображений в JSON по заданной схеме.

Подходит для: извлечение полей из многостраничных PDF · преобразование счетов и форм в JSON · извлечение сведений из сканов документов

Компактная мультимодальная модель IBM для извлечения текста и структуры из документов и преобразования их в форматы Docling.

Подходит для: преобразование сканов документов в Markdown или HTML · распознавание текста, таблиц и структуры страницы · извлечение математических формул с представлением LaTeX

Модель Op enDataLab для извлечения текста и структуры из страниц документов и преобразования PDF в Markdown для обработки данных и построения RAG-систем.

Подходит для: преобразование PDF-документов в Markdown · извлечение текста и структуры из сканов страниц · распознавание таблиц и формул в документах

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

Предобученная мультимодальная модель Microsoft для понимания структуры документов и извлечения информации из форм, чеков и изображений страниц.

Подходит для: извлечение полей из заполненных форм · распознавание структуры и содержимого чеков · анализ расположения текста на изображении документа

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

Мультимодальная модель Microsoft для извлечения и понимания информации из изображений документов с учётом текста и его расположения.

Подходит для: извлечение полей из форм · извлечение данных из чеков и счетов · классификация типов документов

Мультимодальная модель Mistral AI для диалогов, рассуждений, программирования, агентных задач и анализа изображений и документов.

Подходит для: создание многоязычного чат-ассистента · решение сложных задач с режимом рассуждений · написание и анализ программного кода

Мультимодальная модель OpenBMB для диалогового анализа изображений, видео и документов, включая OCR и визуальные вопросы и ответы.

Подходит для: описание содержимого фотографии · ответы на вопросы по изображению · распознавание текста на изображениях

Мультимодальная инструктивная модель Mistral на 14 млрд параметров для локальных диалоговых ассистентов, анализа изображений и агентных задач.

Подходит для: создание локального чат-ассистента · ответы на вопросы по изображению · вызов инструментов в агентных сценариях

Мультимодальная модель Abacus.AI на базе Qwen3.8-27B для многошагового использования инструментов и автоматизации задач.

Подходит для: выполнение многошаговых задач с вызовом инструментов · автоматизация рабочих процессов через агентные сценарии · управление действиями в исполняемой среде до достижения результата

Мультимодальная модель Numind преобразует изображения документов в структурированный Markdown, в том числе для последующего использования в RAG.

Подходит для: преобразование сканов документов в Markdown · извлечение содержимого сложных таблиц · разбор документов с нестандартной структурой страниц

Инструкционно настроенная Gemma 3n E4B для текстового диалога, генерации и суммаризации с контекстом до 32 тысяч токенов.

Подходит для: создание черновиков писем и маркетинговых текстов · ответы чат-бота на вопросы пользователей · суммаризация документов и отчётов

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