I.14Автоматизация процессов и AI-агенты

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-inoculation-prompting-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-last-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Helsinki-NLP/opus-mt-tc-big-fr-en — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на английский и подходит для перевода предложений и текстовых коллекций, в том числе в приложениях на базе Transformers. Модель построена на архитектуре Transformer-big и реализована как MarianMTModel. Веса исходно обучены средствами Marian NMT на данных OPUS с использованием конвейера OPUS-MT-train; токенизация выполняется SentencePiece. Размер модели — 155 млн параметров, родная длина контекста — 1024 токена. Модель принимает и выдаёт текст; поддерживаемая языковая пара — французский → английский. В карточке приведены результаты оценки на наборах Tatoeba, FLORES-101 и Multi30k. Модель распространяется по лицензии CC BY 4.0; при использовании авторы просят цитировать публикации OPUS-MT и Tatoeba Translation Challenge.

PII-Tracer — модель Perplexity AI для обнаружения и маскирования персональных данных в разговорных текстах, представленная в рамках PII-TRACE. Она использует двунаправленный энкодер Qwen3 примерно на 600 млн параметров на основе perplexity-ai/pplx-embed-v1-0.6b и две выходные головы: классификатор токенов с BIOES-разметкой для девяти категорий чувствительных данных и классификатор чувствительности разговора. Для разметки токенов применяется ограниченное декодирование Витерби. Модель предназначена для поиска имен, номеров счетов, URL, дат, адресов, адресов электронной почты, телефонов, других персональных данных и секретов в разговорных данных. Максимальная длина последовательности — 4096 токенов. Модель принимает текст и выдаёт разметку токенов и оценку чувствительности разговора. В карточке указаны английский и многоязычный режимы; конкретный перечень поддерживаемых языков не приведён. Для загрузки указаны PyTorch и Transformers версии 5.2 или новее, а для использования требуется trust_remote_code. Лицензия — MIT.

google/pix2struct-screen2words-large — крупная модель семейства Pix2Struct, разработанная Google. Это визуально-языковая модель с кодировщиком изображений и декодером текста, предназначенная для ответов на вопросы по изображениям экранов и пользовательских интерфейсов. Семейство Pix2Struct предварительно обучалось разбирать замаскированные скриншоты веб-страниц в упрощённый HTML; модель принимает изображение и формирует текстовый ответ. Pix2Struct рассчитана на задачи визуального понимания, включая визуальные вопросы и ответы, и использует представление изображений с переменным разрешением. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

Progenitor-V2.2-LLaMa-70B — объединённая автором модель генерации текста на архитектуре LLaMA, созданная с помощью mergekit методом Linear DELLA. В основу слияния легла nbeerbower/Llama-3.1-Nemotron-lorablated-70B; также в него вошли модели Anubis, EVA-LLaMA, Cirrus, Negative_LLAMA и Hanami. Автор сообщает, что изменил токенизатор и выполнял слияние в float32 с последующим переводом весов в bfloat16. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 69,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В метаданных указаны возможности чата и интерфейса вызова инструментов; README не приводит оценок качества и конкретных тестов.

bunnycore/Qwen-2.5-3b-Evol-CoT — языковая чат-модель, созданная слиянием нескольких моделей на базе Qwen 2.5; в README указаны Replete-LLM-V2.5-Qwen-3b, Qwen-2.5-3b-RP и Qwen-2.5-3b-Mix-Data-lora. Для слияния применён метод DARE TIES через mergekit, базой названа bunnycore/Qwen-2.5-3b-RP. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. В репозитории указана лицензия не была в предоставленных данных, поэтому условия использования определить нельзя.

bunnycore/Qwen-2.5-3b-RP — чат-модель на архитектуре Qwen2, созданная автором репозитория слиянием весов через mergekit методом DARE TIES. В слияние вошли Replete-AI/Replete-LLM-V2.5-Qwen-3b, unsloth/Qwen2.5-3B-Instruct и bunnycore/qwen-2.5-3b-lora_model; в README базовой моделью назван Replete-AI/Replete-LLM-V2.5-Qwen-3b. Модель содержит 3,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и ответов на запросы; метаданные также указывают интерфейс вызова инструментов. Карточка не описывает отдельную специализацию, языковое покрытие или оценку качества. Лицензия в предоставленных данных не указана.

mlx-community/Qwen2.5-7B-Instruct-8bit — конверсия модели Qwen/Qwen2.5-7B-Instruct в формат MLX с 8-битным представлением весов, выполненная сообществом mlx-community с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2, содержащая 7,1 млрд параметров и предназначенная для генерации текста в диалоговом режиме, включая ответы на запросы и использование интерфейса вызова инструментов. Модель принимает текст и выдаёт текст. Поддерживает английский язык; базовая модель Qwen2.5 рассчитана на контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Формат MLX предназначен для запуска на системах Apple с MLX; сведения о качестве именно этой конверсии и поддержке других языков в карточке модели не приведены.

Модель NotoriousH2/Qwen3-0.6B-JSON-SFT-GRPO — компактная причинная языковая модель семейства Qwen3, дообученная NotoriousH2 на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и, судя по описанию базовой модели, извлечения метаданных, поручений, решений и препятствий из корейских протоколов совещаний с представлением результата в JSON. Модель содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. В карточке указаны английский язык и интерфейс чата. Лицензия — Apache-2.0.

Qwen3.5-2B-OptiQ-4bit — это локальная MLX-квантизация базовой модели Qwen/Qwen3.5-2B, подготовленная сообществом mlx-community с помощью инструментария mlx-optiq. Модель предназначена для запуска генерации текста на устройствах Apple Silicon без PyTorch и облачной инфраструктуры; её можно использовать через mlx-lm, а для расширенных сценариев — через mlx-optiq. Модель имеет преимущественно 4-битную смешанную точность: 130 слоёв используют 4-bit, а 56 чувствительных слоёв — 8-bit; всего квантизировано 186 слоёв, размер группы — 64. Распределение точности выбрано по результатам анализа чувствительности на калибровочной выборке из шести доменов: проза, рассуждения, код, агентские сценарии, вызовы инструментов и инструкции с ограничениями. Размер на диске составляет около 1,4 ГБ. В комплект входит MTP-голова для спекулятивного декодирования, обеспечивающая примерно 1,4-кратное ускорение генерации при поддержке mlx-optiq. Модель подходит для общего текстового общения, рассуждений, следования инструкциям, генерации кода, вызова инструментов и локальных агентских рабочих процессов. По указанным тестам она показывает 58,9% на MMLU, 55,6% на GSM8K, 59,7% на IFEval, 77,0% на BFCL и 51,2% на HumanEval; средний Capability Score составляет 50,41. Сильными сторонами являются компактность, адаптация к Apple Silicon и улучшенные по сравнению с равномерной 4-битной квантизацией результаты в большинстве метрик, особенно в HumanEval и BFCL. Ограничения включают зависимость от MLX и экосистемы Apple Silicon, потери качества из-за квантизации и нулевой результат в заявленном тесте длинноконтекстного поиска HashHop. Размер контекста, поддерживаемые языки и точные характеристики исходной Qwen3.5-2B в README не указаны. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Это текстовый вариант весов Qwen3.6-27B, подготовленный exolabs для запуска через vLLM. Веса получены из GGUF-квантизации Q4_0 модели unsloth/Qwen3.6-27B-GGUF: тензоры деквантованы, преобразованы в формат Hugging Face и сохранены в BF16. Конфигурация и токенизатор взяты из Qwen/Qwen3.6-27B. Модель предназначена для генерации текста и диалогового использования; карточка также указывает интерфейс вызова инструментов. Несмотря на тег image-text-to-text и наличие визуальных возможностей в метаданных, в этом репозитории отсутствует визуальная башня, поэтому автор рекомендует запускать модель только в текстовом режиме. Проверена загрузка и краткая генерация в Transformers и vLLM; в README приведена конфигурация с контекстом до 4096 токенов. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

DCC-BS/Qwen3-Reranker-4B-FP8-Dynamic — это динамически квантизованная версия модели Qwen/Qwen3-Reranker-4B, разработанной командой Qwen и подготовленной DCC-BS. Модель предназначена для переранжирования текстовых документов и пассажей: она оценивает релевантность документов запросу и может использоваться в поисковых системах, системах вопросно-ответного поиска и других конвейерах retrieval-augmented generation. Модель работает с текстовой модальностью и рассчитана на многоязычные сценарии; качество проверялось на корпусе Wikipedia в рамках MTEB для 16 языков, при этом в README приведены результаты для немецкого, английского и итальянского языков. Квантизация выполнена в формате FP8_DYNAMIC с использованием llm-compressor: веса представлены в статическом per-channel FP8, а активации масштабируются динамически для каждого токена во время инференса. Token embeddings и lm_head оставлены в формате bfloat16, чтобы сохранить точность оценки по логитам yes/no. Размер весов уменьшен с 7,49 до 4,83 ГиБ, примерно на 35%, что позволяет высвободить видеопамять под KV-кэш и обслуживать более длинный контекст на GPU с ограниченной памятью. В примере конфигурации vLLM используется максимальная длина контекста 32768 токенов, однако README не утверждает, что это предельный контекст самой базовой модели. По результатам проверки на WikipediaRerankingMultilingual среднее значение map_at_1000 практически не изменилось относительно версии bfloat16: 0,9674 против 0,9675, а ни один из проверенных языков не потерял более 0,0100. Модель предназначена для запуска через vLLM в формате compressed-tensors. Нативная FP8-арифметика поддерживается GPU Ada и Hopper с compute capability 8.9 и выше; на Ampere используется Marlin, при этом экономия памяти сохраняется, а скорость примерно не меняется. Лицензия в README не указана.

LifetimeMistake/Qwen3-VL-Embedding-2B-NVFP4 — квантованный вариант мультимодальной embedding-модели Qwen/Qwen3-VL-Embedding-2B из семейства Qwen. Модель предназначена для семантического поиска и retrieval-сценариев, включая обработку текста, изображений, скриншотов, видео и смешанных текстово-визуальных запросов. Заявлена поддержка более 30 языков, контекст до 32 000 токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Для многоязычных задач рекомендуются инструкции на английском языке. Вариант использует квантование NVIDIA Model Optimizer NVFP4 с размером группы 16; квантизация применяется к квантируемым весам языковой части, а визуальная часть и lm_head оставлены без квантизации. Модель подготовлена для развёртывания через vLLM с backend modelopt_fp4. По локальному сравнению с FP16-версией она показала примерно на 13% меньшее время выполнения, меньшую среднюю задержку и более высокую пропускную способность, при этом качество поиска немного снизилось, особенно на мультимодальных тестах ViDoRe. Поэтому перед эксплуатацией необходима проверка на собственных данных. Модель распространяется по лицензии Apache-2.0. Для использования требуется vLLM с поддержкой modelopt_fp4 и параметром trust-remote-code; при необходимости шаблон чата можно указать вручную.

Qwen3-VL-Reranker-2B-4bit — мультимодальная модель-реранкер из семейства Qwen3-VL, подготовленная сообществом mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Reranker-2B; в метаданных базовой моделью также указана Qwen/Qwen3-VL-2B-Instruct, дообученная для ранжирования. Архитектура — плотная Qwen3-VL с классом Qwen3VLForConditionalGeneration; размер — 2 млрд параметров, точность — 4 бита. Модель предназначена для повторного ранжирования найденных кандидатов по запросу, включая мультимодальные сценарии. Базовая модель поддерживает анализ изображений и видео, однако метаданные каталога подтверждают для этой модели только задачу text-ranking. Для запуска README предлагает библиотеку mlx-embeddings. Модель распространяется по лицензии Apache-2.0.

Sakalti/Saba1.5-Pro-3B — языковая модель автора Sakalti, созданная с помощью mergekit методом passthrough на основе Sakalti/Saba1.5-Pro. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также указана поддержка интерфейса вызова инструментов. Модель построена на плотной архитектуре Qwen2 с классом Qwen2ForCausalLM и содержит 2,7 млрд параметров. Родной размер контекста — 131 072 токена. Модель принимает текст и выдаёт текст. В репозитории используются веса Safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. Сведения о поддерживаемых языках и специальных областях применения в предоставленных данных отсутствуют.

schift-io/schift-ko-pii-v7 — корейская модель для обнаружения персональных данных, разработанная Schift. Она выполняет токенную классификацию и размечает упоминания людей и адресов; модель предназначена для выявления таких фрагментов в тексте перед проверкой или маскированием. В README описан рабочий процесс, в котором отдельная политика определяет, какие найденные фрагменты блокировать, отправлять на проверку или оставлять без изменений. Это плотный энкодер семейства LFM2 с 32,9 млн параметров и контекстом 8192 токена по метаданным. Архитектура использует общие нижние слои и независимо дообученные верхние ветви для людей и адресов; веса опубликованы в формате safetensors. README указывает максимальную длину обработки 512 токенов. Модель рассчитана на корейский язык. Для практического использования предусмотрена загрузка через специальный hydra loader на базе Transformers и PyTorch. В поставку входят только распознаватели людей и адресов. Поддержка организаций отложена; расширенные профили идентификаторов и контекстных атрибутов доступны через отдельный адаптер пакета. Модель принимает текст, а результат представляет собой токенные метки и найденные фрагменты; извлечение текста из файлов документов выполняется отдельно. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

silero-vad-v5 — модель обнаружения голосовой активности Silero, опубликованная Vokra в формате GGUF для runtime Vokra. Это конверсия исходных весов snakers4/silero-vad версии 5, а не новая или дообученная модель. Репозиторий содержит файл размером 2,1 МБ с архитектурой silero-vad. Модель предназначена для выделения участков речи в аудиозаписях и потоках речи. Для указанного в README сценария на вход подаётся монофонический WAV с частотой 16 кГц, а результатом являются сегменты с обнаруженной речью. Формат GGUF позволяет runtime Vokra напрямую отображать файл в память. Модель распространяется по лицензии MIT. Карточка не описывает другие частоты дискретизации, языковые ограничения или показатели качества.

haritzpuerto/spanbert-large-cased_NaturalQuestionsShort — модель на базе SpanBERT Large cased, дообученная пользователем haritzpuerto для извлечения ответов на вопросы. Она предназначена для extractive question answering: поиска фрагмента ответа непосредственно в предоставленном контексте, в частности в сценариях, связанных с датасетом Natural Questions Short. Модель используется через Transformers и имеет pipeline question-answering. Модель относится к BERT-архитектуре, содержит около 432,3 млн параметров и поддерживает контекст длиной до 512 токенов. Её сильная сторона — span-based извлечение коротких ответов из текста; она не является генеративной моделью и не предназначена для свободного составления развернутых ответов. При превышении контекстом лимита или отсутствии ответа в тексте качество может снижаться.

Community-1 — конвейер диаризации речи, опубликованный командой pyannote. Он принимает аудио и определяет, кто и в какие моменты говорит, включая число говорящих и их временные интервалы. Входное аудио приводится к моно и частоте 16 кГц; конвейер pyannote.audio можно запускать локально, в том числе офлайн после загрузки модели, или использовать через облачный сервис pyannoteAI. Модель предназначена для разметки разговоров и записей с несколькими участниками. Она предоставляет обычную и эксклюзивную диаризацию: последняя упрощает сопоставление интервалов говорящих с временными метками транскрипции. В README сообщается об улучшении показателей диаризации по сравнению с предыдущим конвейером pyannote 3.1 на ряде академических тестов. Для доступа нужно принять условия использования на Hugging Face и получить токен. Лицензия репозитория — CC BY 4.0.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_394s_adjpar6_lr1e5_dec1e4_bs8 — дообученная версия модели распознавания структуры таблиц на базе Table Transformer. Она предназначена для обнаружения объектов на изображениях таблиц, например их структурных элементов. В README указано, что модель дообучена на неизвестном наборе данных, поэтому конкретные типы размечаемых элементов и качество не описаны. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и сохранена в формате safetensors. Для применения к изображениям таблиц подходит как компонент конвейера извлечения структуры документов. Лицензия — MIT.

Это модель для переупорядочивания текстовых фрагментов по их релевантности запросу. Её разработали на базе Qwen3-8B с помощью инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForCausalLM и около 7,6 млрд параметров. Для адаптации применялся LoRA, веса адаптера объединены с базовой моделью. Обучение проводилось методом дистилляции listwise-KL на наборе RLHN-680K. Модель оценивает пару «запрос — фрагмент» по логарифму отношения вероятностей токенов «yes» и «no» после вопроса о релевантности. Вход включает запрос, заголовок и текст фрагмента; максимальная длина контекста — 32 768 токенов. Модель подходит для ранжирования документов в поисковых системах и конвейерах информационного поиска. Лицензия — Apache-2.0.

kazars24 выпустил русскоязычную дообученную версию TrOCR base для распознавания рукописного текста на изображениях. Модель предназначена для OCR рукописных строк и фрагментов текста на русском языке. Это encoder-decoder архитектура Vision Transformer: BEiT-инициализированный визуальный энкодер разбивает изображение на патчи 16×16, а декодер на основе Transformer авторегрессионно генерирует текст. Модель дообучена на Cyrillic Handwriting Dataset, содержащем русские рукописные фрагменты; в README указаны CER 0,048542 и validation loss 0,120961. Модель основана на microsoft/trocr-base-handwritten и распространяется в формате safetensors для библиотеки Transformers. Подходит для распознавания рукописных строк и фрагментов; качество может зависеть от разборчивости почерка и отличий изображений от обучающих данных. Сведения о лицензии в предоставленных материалах отсутствуют.

TR-OCR Large AR/EN Handwritten — модель распознавания рукописного текста на изображениях, созданная David Magdy и Ahmed Wahdan на основе Microsoft TrOCR Large. Она дообучена на наборах Khatt и IAM для чтения арабского и английского текста в документах и преобразования его в текст. Модель использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста, а не для анализа изображений общего назначения. Репозиторий содержит веса в формате safetensors; для загрузки указана библиотека Transformers. Лицензия — Apache-2.0.

syubraj/TrOCR_Nepali — модель оптического распознавания символов на основе архитектуры VisionEncoderDecoder и семейства TrOCR. Она дообучена для чтения текста на непальском языке, записанного письмом деванагари, и преобразует изображения с текстом в текстовую последовательность. Для обработки изображений используется TrOCRProcessor с извлекателем признаков ViT и токенизатором; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель подходит для распознавания непальского текста на изображениях, например на сканах и фотографиях документов. В карточке не приведены сведения о точности, допустимом качестве изображений или лицензии, поэтому их нельзя оценить по доступным данным.

Модель timm/vit_base_patch16_plus_clip_240.laion400m_e32 разработана для экосистем open_clip и timm. Это вариант CLIP с архитектурой ViT-B-16-plus-240, обученный на наборе изображений и текстов LAION-400M. Она сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения классификатора. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT. Модель принимает изображения и текстовые метки классов, а для классификации выдаёт оценки соответствия изображения каждой метке. Данных о контекстном окне или поддерживаемых естественных языках в предоставленной карточке нет.

timm/vit_pe_lang_gigantic_patch14_448.fb — вариант только с визуальным энкодером семейства Perception Encoder (PE), опубликованный Meta и преобразованный для библиотеки timm. Модель принимает изображения и выдаёт визуальные признаки; это чекпойнт PE-Lang-G14-448 с патчами 14×14 и разрешением 448 пикселей. PE Lang обучалась на визуально-языковом выравнивании и предназначена для использования в мультимодальных системах с языковым декодером, например Llama или Qwen. Энкодер особенно подходит для извлечения признаков, которые можно использовать в ответах на вопросы по изображениям и документам, OCR-сценариях, классификации и поиске по изображениям. В опубликованных Meta оценках PE-Lang-G14-448 показала сильные результаты на DocVQA, InfoQA и TextVQA при работе с замороженным энкодером и декодером Llama 3.1 8B. Этот репозиторий содержит только энкодер, а не готовую систему для диалога или генерации ответов; упомянутые результаты зависят от декодера и настройки системы. Лицензия — Apache 2.0.