I.14Автоматизация процессов и AI-агенты

A.X K2 NVFP4 — квантизированная версия языковой модели A.X K2 от SK Telecom. Это модель типа Mixture-of-Experts с 688 млрд параметров, из которых 33 млрд активны при обработке запроса. Вариант NVFP4 применяет к routed experts квантизацию NVFP4 W4A4, а attention, router, shared expert и dense layer хранит в FP8, embedding и LM head — в BF16; заявлено примерно двукратное сокращение объёма памяти по сравнению с FP8-чекпойнтом. Модель предназначена для диалоговой генерации текста, рассуждений, следования инструкциям и агентных сценариев. Режим thinking подходит для сложных задач, а non-thinking — для коротких ответов с меньшей задержкой. Конфигурация YaRN поддерживает контекст до 256K токенов; README также описывает тесты извлечения фактов при масштабировании до 512K. Для запуска на одном узле указаны четыре NVIDIA B200 и форк vLLM с поддержкой A.X K2. Модель ориентирована на английский, корейский, китайский, японский и испанский языки; проект подчёркивает понимание корейского языка и культуры. В README заявлено качество, сопоставимое с FP8-версией, и идеальный результат на описанном тесте NIAH, но эти результаты не характеризуют все задачи. Лицензия — Apache-2.0.

Schneewolf Labs B0-27B — внутренняя 27-миллиардная модель семейства Familiar, разработанная Schneewolf Labs на основе Hemlock-Qwen3.8-27B. Это плотная мультимодальная модель Qwen3.5 для диалогов, выполнения инженерных задач и работы с инструментами; она принимает текст и изображения и генерирует текст. В README описаны два этапа обучения: объединение базовой модели с адаптером для программирования, затем ORPO-обучение на смеси предпочтений, включая данные, пересобранные на основе объединённой модели. Веса распространяются в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для локального использования в роли оператора, который выполняет инженерные задачи сквозным образом, в том числе через агентскую связку с Codex. По внутренним оценкам авторов, она выполнила 6 из 6 задач kirabench и показала более быстрое выполнение одной задачи с исправлением тестов по сравнению с базовой моделью. README также сообщает о сохранении башни зрения и тензоров MTP базовой модели; включён mmproj для GGUF-репозитория. Результаты основаны на внутренних тестах и ограниченной выборке: на egirl operator bench модель набрала 42/47 против 47/47 у базы, с пятью отмеченными авторами ошибками при выборе одиночных вызовов инструментов. Описанные возможности и оценки не являются независимой проверкой. Размер контекста и список поддерживаемых языков в предоставленных данных не указаны; метаданные карточки отмечают английский язык.

HIT-TMG/bge-m3_RAG-conversational-IR — модель эмбеддингов для разговорного поиска, предназначенная для многошаговых RAG-систем. Она кодирует вопрос вместе с историей диалога в заданном формате, а текст документа кодирует без специального промпта, чтобы использовать полученные представления для поиска релевантных документов. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; длина контекста — 8194 токена. Репозиторий содержит веса PyTorch и Safetensors. В карточке заявлена поддержка китайского и английского языков. Модель подходит для формирования поисковых запросов с учётом предыдущих вопросов и ответов в диалоге; лицензия — Apache-2.0.

jtlicardo/bpmn-information-extraction-v2 — модель на базе BERT, дообученная для извлечения сущностей из текстовых описаний бизнес-процессов. Она присваивает токенам одну из пяти меток: AGENT, TASK, TASK_INFO, PROCESS_INFO или CONDITION. Модель разработана для структурирования описаний процессов и может служить этапом подготовки данных для последующего моделирования BPMN. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README сообщается о дообучении на наборе из 104 текстовых описаний процессов; на оценочной выборке указаны F1 0,9031 и точность 0,9516. Репозиторий содержит веса PyTorch и Safetensors, лицензия — Apache-2.0.

Это неофициальная конверсия Chandra OCR 2 от Datalab в формат GGUF с точностью BF16 для запуска через llama.cpp. Веса модели и проектор зрения сохранены в BF16; неиспользуемая черновая MTP-голова удалена. Конверсия проверена на одной AMD Radeon RX 9070 XT с 16 ГБ памяти, но формат GGUF не привязан к RDNA 4, и работа на другом оборудовании не подтверждена этой карточкой. Модель принимает изображения и предназначена для распознавания текста и структуры документов, включая PDF, с выдачей результата в текстовых форматах вроде Markdown, HTML или JSON. В README перечислены проверки на изображениях, PDF, финансовых таблицах и рукописных документах. Это перенос формата, а не дообучение или улучшение качества OCR; лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели и файлами репозитория.

Chonky modernbert large v1 — англоязычная модель токеновой классификации, дообученная автором mirth на answerdotai/ModernBERT-large для разделения текста на смысловые фрагменты. Она размечает границы сегментов меткой separator и предназначена для подготовки документов к поиску и генерации с дополнением из найденных данных (RAG), а также для передачи фрагментов в системы эмбеддингов или языковые модели. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Базовая архитектура поддерживает контекст до 8192 токенов, однако модель дообучалась на последовательностях длиной 1024 токена. В README приведены token-based F1 0,85 для minipile и 0,79 для BookCorpus. Модель распространяется в формате safetensors по лицензии MIT.

Citaman/command-r-12-layer — разговорная языковая модель на архитектуре Cohere, созданная автором репозитория с помощью слияния SLERP модели Citaman/command-r-13-layer. В метаданных указано 12 млрд параметров, контекст до 8192 токенов и формат safetensors; модель предназначена для генерации текста и диалогового взаимодействия, включая интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Карточка не приводит отдельной оценки качества, перечня поддерживаемых языков или отраслевой специализации. Лицензия в доступных данных не указана.

Citaman/command-r-13-layer — это объединённая модель для генерации текста, созданная разработчиком Citaman на основе Citaman/command-r-14-layer с помощью mergekit и метода SLERP. Конфигурация комбинирует слои одной базовой модели в диапазонах [0, 13] и [1, 14]; веса сохранены в формате safetensors и типе bfloat16. Архитектура — плотная CohereForCausalLM, размер — 12,8 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. В карточке не приведены результаты оценки качества или подробные сведения о поддерживаемых языках и сценариях. Лицензия в предоставленных данных не указана.

Citaman/command-r-18-layer — объединённая языковая модель, созданная с помощью mergekit из двух срезов Citaman/command-r-19-layer методом SLERP. В метаданных указаны архитектура CohereForCausalLM, плотная архитектура и 16,9 млрд параметров; веса представлены в safetensors. Модель предназначена для генерации текста и диалогов, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Указанное в метаданных родительское семейство — Cohere; контекст составляет 8192 токена. Карточка не описывает отдельные специализированные области применения и не приводит сведения о лицензии, поэтому условия использования по этим данным определить нельзя.

Citaman/command-r-25-layer — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Cohere для генерации текста и диалогов. В README указано объединение двух диапазонов слоёв одной модели Citaman/command-r-26-layer; метаданные также связывают её с этой базовой моделью. Модель содержит 22,6 млрд параметров, работает с текстом и имеет контекстное окно 8192 токена. Метаданные отмечают поддержку чата и интерфейса вызова инструментов. Модель подойдёт для диалоговых приложений и генерации текста. В README не приведены оценки качества или результаты тестирования. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.

Citaman/command-r-26-layer — слитая методом SLERP языковая модель на архитектуре Cohere, созданная с помощью mergekit на основе Citaman/command-r-27-layer. В карточке указано 23,5 млрд параметров, формат safetensors и контекстное окно 8192 токена. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Данных о поддерживаемых естественных языках нет, поэтому языковую специализацию определить нельзя. Репозиторий использует лицензию, унаследованную от базовой модели, но сведения о её условиях в предоставленных данных отсутствуют.

Cronformer — компактная модель impalasys для преобразования коротких запросов на английском языке о расписании в пятикомпонентные выражения cron. Она предназначена для интерфейсов настройки расписаний, инструментов разработчика и локальных автоматизаций, которым нужно предложить cron-выражение по текстовому описанию. Модель использует дообученный BERT-энкодер google/bert_uncased_L-2_H-128_A-2 с архитектурой encoder-only и структурированный декодер: он предсказывает поля минут, часов, дня месяца, месяца и дня недели напрямую, а не генерирует выражение как текст. В модели 6 334 826 параметров, максимальная длина входа — 128 токенов. Выход представлен структурой CronOutput, которую вспомогательный код преобразует в строку cron в стиле Vixie. Для загрузки пользовательского кода Transformers требуется включить trust_remote_code=True. Модель может быть полезна для подсказок cron в интерфейсах и автономной генерации вариантов, но неоднозначные формулировки могут привести к синтаксически правильному, но неверному расписанию; рекомендуется показывать кандидаты или запрашивать подтверждение. Модель обучалась и оценивалась только на английском языке, поддерживает только пятикомпонентный cron и не учитывает секунды, годы, часовые пояса, праздники, переходы на летнее время и внешнее состояние. Оценка основана на внутренних наборах примеров проекта. Лицензия — AGPL-3.0.

Это адаптированная для запуска и дообучения в актуальной версии Transformers копия DeepSeek-OCR-2 от Unsloth. Она основана на DeepSeek-OCR-2 от DeepSeek и использует плотную архитектуру Deepseek-VL-v2 с классом DeepseekOCR2ForCausalLM; в репозитории указано 559,7 млн параметров и формат safetensors. Изображения обрабатываются с динамическим разрешением: карточка описывает режим с несколькими кадрами 768×768 и дополнительным изображением 1024×1024. Контекст модели составляет 8192 токена. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии обработки PDF. Для запуска README приводит конфигурацию на базе Transformers и NVIDIA GPU; также упоминается ускорение инференса через vLLM. Поддерживается многоязычное применение, однако конкретный перечень языков не приведён. Заявлено, что адаптация загрузки не меняет точность. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных ограничений; для указанного сценария требуются GPU и зависимости из инструкции по запуску.

docscopeOCR-7B-050425-exp — модель prithivMLmods, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Это плотная мультимодальная модель семейства Qwen2.5-VL с 7,1 млрд параметров, принимающая изображения и текст и выдающая текст; заявленная длина контекста — 128 000 токенов. Модель предназначена для OCR многостраничных документов, извлечения структурированных данных из счетов, форм и отчетов, визуальных вопросов и ответов, а также распознавания математических выражений с форматированием LaTeX. В README также заявлены понимание длинных видео и визуально управляемое взаимодействие с устройствами. Поддержка видео и управления устройствами описана в карточке, однако отдельные соответствующие задачи в метаданных не подтверждены. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Модель может ошибаться на низкокачественных или частично закрытых изображениях, а также на редких языках и письменностях; обработка видео требует значительных ресурсов и не рассчитана на потоковый режим. Выпускается под лицензией Apache-2.0.

DocumentFigureClassifier-v2.5 — модель классификации изображений, разработанная проектом Docling и основанная на Google EfficientNet-B0, дообученной на подмножестве датасета HuggingFace/finepdfs. Она относит изображения из документов к одной из 26 категорий, включая логотипы, фотографии, значки, чертежи, графики, таблицы, схемы, карты, подписи, штампы и QR-коды. Модель предназначена для анализа содержимого PDF и других документов: она помогает распознавать типы иллюстраций и направлять их на подходящую последующую обработку. В README приведена оценка на отложенной выборке finepdfs: точность составляет 0,907, сбалансированная точность — 0,688, а Macro F1 — 0,689. Модель доступна в форматах ONNX и safetensors и распространяется по лицензии MIT. Показатели по отдельным классам различаются, поэтому качество может быть ниже для редких или похожих категорий; модель обучалась на подмножестве finepdfs, и её результаты могут зависеть от состава входных документов. README не описывает требования к размеру входного изображения или полный процесс предобработки.

Donut base — модель для разбора изображений документов, дообученная командой Donut на наборе данных CORD. Она построена по архитектуре vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер на основе BART генерирует текст. Модель предназначена для извлечения структурированной информации из изображений чеков и других документов, похожих на примеры из CORD. В отличие от OCR-конвейера, требующего отдельного распознавания текста, модель напрямую преобразует изображение документа в текстовое представление. Репозиторий содержит веса PyTorch; лицензия — MIT. Настройка на CORD ограничивает надёжность на типах документов и форматах, отличающихся от обучающих данных.

de-Rodrigo/donut-merit — модель понимания документов на архитектуре Donut, дообученная разработчиком на наборе Merit для задач разбора форм. Она принимает изображение документа и формирует текстовое представление его содержимого. Модель относится к семейству vision-encoder-decoder и предназначена для сценариев извлечения информации из форм. Карточка указывает английский и испанский языки. Модель распространяется в формате safetensors по лицензии MIT. Основана на naver-clova-ix/donut-base-finetuned-cord-v2. README помечен как WIP; дополнительных сведений о качестве и ограничениях модели нет.

mlx-community/dots.mocr-bf16 — версия модели dots.mocr, подготовленная сообществом mlx-community для запуска в MLX и преобразованная из rednote-hilab/dots.mocr с помощью mlx-vlm 0.4.1. Это плотная модель семейства dots_ocr с архитектурой DotsOCRForCausalLM и 1,5 млрд параметров. Модель предназначена для анализа изображений и документов: распознавания текста, разбора структуры и компоновки страниц, таблиц и формул. Она поддерживает ввод изображений и текста и выдаёт текст; метаданные указывают английский, китайский и многоязычный режимы. Родной контекст составляет 131 072 токена. Версия рассчитана на использование в MLX, а README рекомендует запуск через mlx-vlm. Это преобразованная версия базовой модели, а не отдельная разработка. Лицензия — MIT. Качество распознавания и поддержка конкретных языков или типов документов зависят от исходной модели; подробности следует сверять с её карточкой.

Fireball-Llama-3.11-8B-v2r1orpo — диалоговая языковая модель EpistemeAI на архитектуре Llama с 7,5 млрд параметров. Она дообучена на базе EpistemeAI/Fireball-Llama-3.11-8B-v1orpo с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и ведения беседы; её можно подключать к интерфейсам вызова инструментов. Модель принимает текст и выдаёт текст. Её родной контекст составляет 131 072 токена, а в карточке указан английский язык. Файлы представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

German-OCR-3 — дообученная мультимодальная модель Keyvan Hardani для извлечения данных из изображений немецких деловых документов. Она преобразует счета, письма, формы, квитанции и уведомления в JSON по немецкой схеме извлечения. Модель основана на Qwen/Qwen3.5-2B, имеет около 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; карточка указывает архитектуру Qwen2-VL и формат Safetensors. Модель рассчитана на локальное и локально размещённое применение, включая извлечение реквизитов счетов без облачного OCR. Автор сообщает результаты теста на более чем 200 анонимизированных немецких счетах: для Default Edition — 100% валидного JSON, 95% корректно распознанных отправителей и 0% галлюцинаций; эти цифры относятся к описанному автором тесту. Модель оптимизирована для немецких документов, требует чётких сканов или фотографий и ограниченно справляется с рукописным текстом. Для бухгалтерских и юридических процессов рекомендуется проверка человеком. Лицензия — Apache 2.0.

kldzj/gpt-oss-120b-heretic — модифицированная версия открытой весовой модели openai/gpt-oss-120b, созданная разработчиком kldzj с использованием Heretic v1.0.1. Это текстовая генеративная модель для общего назначения, рассуждений, агентских сценариев и задач разработчиков; заявленная особенность версии — снижение склонности к отказам от ответов (decensored/abliterated). Модель поддерживает запуск через Transformers и vLLM и рассчитана на использование в формате harmony. Модель основана на архитектуре Mixture-of-Experts: содержит около 117 млрд параметров, из которых примерно 5,1 млрд активны при обработке запроса. Она использует посттренировочную MXFP4-квантизацию весов MoE и может работать на одном GPU с 80 ГБ памяти, например NVIDIA H100 или AMD MI300X. Заявлены настраиваемый уровень рассуждений, function calling, веб-браузинг, выполнение Python-кода и Structured Outputs. В README не указаны языки, размер контекстного окна и поддержка мультимодальных входов, поэтому модель следует считать текстовой. По приведённому сравнению, модель отказалась отвечать в 19 из 100 тестовых случаев против 97 отказов у исходной модели, однако её KL-дивергенция относительно исходной модели составляет 0,92, что указывает на заметное изменение поведения. Возможные ограничения включают высокие требования к вычислительным ресурсам, необходимость корректного использования harmony-формата и потенциальные риски, связанные со снижением защитных отказов. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование и модификацию.

Snowball GLM 5.3 RLVR SFT — диалоговая MoE-модель семейства Grug, разработанная open-athena. Это дообученный чекпойнт open-athena/Grug-67B-A2B-Datakit-SFT-262K-2026.09.21: модель обучали с учётом только ответов ассистента на 5 000 диалогах GLM 5.3 RLVR, используя последовательности длиной 32 768 токенов и 136 шагов оптимизации. Модель предназначена для генерации текста в диалоге, рассуждений и сценариев с вызовом инструментов. Она поддерживает контекст до 262 144 токенов и имеет 2,8 млрд параметров; формат весов — safetensors. Лицензия — OpenMDW 1.1, унаследованная от базовой модели.

HHEM-2.1-Open — модель Vectara для выявления фактической несогласованности текста с предоставленным контекстом, в частности для контроля ответов LLM в RAG-системах и агентных приложениях. Она принимает пару текстов: свидетельство или предпосылку и проверяемую гипотезу. Модель оценивает, насколько гипотеза подтверждается свидетельством: оценка от 0 до 1, где 0 означает отсутствие подтверждения, а 1 — полную поддержку. Проверка асимметрична: перестановка текстов может изменить результат. Модель построена на базе google/flan-t5-base и дообучена для классификации последовательностей; в Transformers доступны оценка пары или метки «hallucinated» и «consistent». Карточка заявляет неограниченную длину контекста относительно лимита HHEM-1.0 в 512 токенов, но предупреждает о наследуемом ограничении длины входа T5-base. Модель рассчитана на английский язык; сведения о поддержке других языков для этой открытой версии не приводятся. Лицензия — Apache-2.0.

Hiro-MOSS-OCR-0.3B — компактная мультимодальная модель OCR от PatSnap, обученная с нуля на более чем 50 млн примеров для распознавания содержимого документов по отдельным областям изображения. Она преобразует изображения в структурированную разметку: формулы записывает в LaTeX, таблицы — в HTML, основной текст — в Markdown. Модель насчитывает около 320,8 млн параметров и использует визуальный энкодер NaViT с 2D RoPE и коннектор SwiGLU с объединением патчей; поддерживает изображения произвольного разрешения. Модель предназначена для извлечения текста, распознавания формул и восстановления таблиц в документах на японском, китайском и английском языках. Её можно применять для оцифровки документов, обработки научных материалов и преобразования табличных или математических фрагментов в пригодную для дальнейшей обработки разметку. Для ускоренного локального запуска и обслуживания предусмотрены CUDA Graph и vLLM; быстрый путь через Transformers указан как более медленный и подходящий для пробных запусков и небольших одиночных изображений. Веса опубликованы в форматах FP32 и BF16, лицензия — Apache-2.0. README приводит сравнительные результаты на OmniDocBench и внутреннем патентном тесте, но доступные данные не дают оснований обобщать их на все документы и условия съёмки.

Huihui-Qwen3.6-35B-A3B-abliterated-NVFP4 — квантованная версия модели huihui-ai/Huihui-Qwen3.6-35B-A3B, подготовленная пользователем YuYu1015. Модель предназначена для генерации текста, диалоговых и рассуждающих сценариев, а также использования с вызовом инструментов. Она поддерживает режим рассуждений, tool calling через парсер qwen3_xml и спекулятивное декодирование MTP; совместимость с DFlash также заявлена. В основе лежит MoE-архитектура с 35 млрд параметров в общей сложности и примерно 3 млрд активных параметров: 256 экспертов, 8 маршрутизируемых и 1 общий эксперт, в сочетании с GDN/Mamba и механизмом внимания. Поддерживается контекст до 262 144 токенов, языки — английский и китайский. Модель использует NVFP4-квантизацию W4A4, занимает около 25,1 ГБ вместо примерно 71,9 ГБ в исходном формате BF16 и оптимизирована для NVIDIA DGX Spark с GPU GB10 SM121. Основные преимущества — существенно сниженные требования к памяти, сохранённые MTP-веса в BF16 и специальная смешанная калибровка на диалоговых и рассуждающих данных для восстановления точности. Ограничения включают зависимость от совместимых версий vLLM, FlashInfer и CUDA, а также необходимость подходящего оборудования и программного стека для заявленного режима W4A4. После abliteration распределение активаций отличается от исходного, поэтому эффективность DFlash снижается; для этой версии рекомендуется MTP с одним спекулятивным токеном. Модель распространяется по лицензии Apache-2.0.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

unsloth/inkling-NVFP4 — вариант мультимодальной модели Inkling от Thinking Machines, опубликованный Unsloth. Модель представляет собой авторегрессионный трансформер с 66 слоями и разреженной архитектурой Mixture-of-Experts: всего 975 млрд параметров, из которых активно 41 млрд. Она принимает текст, изображения и аудио, обрабатывает их совместно и генерирует текст. В README также описана поддержка видео у семейства Inkling; для этой версии метаданные каталога подтверждают задачу image-text-to-text и возможность работы с изображениями. Модель предназначена для диалогов, следования инструкциям, анализа изображений, приложений с инструментами и агентными сценариями, помощников по программированию и систем RAG. Основной язык — английский; заявлены общие многоязычные возможности. Версия NVFP4 обозначена в названии, а в README для семейства перечислены NVFP4 и BF16. Лицензия — Apache-2.0. Модель может галлюцинировать, неточно следовать инструкциям и хуже работать в длинных многоходовых диалогах; качество может различаться по языкам и предметным областям. Для потенциально вредных запросов возможны обходы защит через ролевые и косвенные формулировки, поэтому для пользовательских продуктов нужны проверки и дополнительная модерация.

Это дообученная диалоговая модель kihyun-K на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она предназначена для генерации текста в чате и поддерживает интерфейс вызова инструментов. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В карточке указаны английский язык и лицензия Apache 2.0. README сообщает, что модель обучали с использованием Unsloth и библиотеки TRL для Hugging Face.

Модель nielsr/layoutlmv2-finetuned-funsd разработана на основе microsoft/layoutlmv2-base-uncased и дообучена на наборе FUNSD для классификации токенов в документах. Архитектура LayoutLMv2 сочетает текст, изображение документа и расположение текстовых фрагментов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Основной сценарий — извлечение и разметка сущностей в формах и других документах, подобных примерам FUNSD. Модель подходит для выделения полей и элементов текста на изображении документа, но качество на иных типах документов и языках может отличаться; сведений об оценках качества в карточке нет. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

oussama/layoutlmv3-finetuned-invoice — модель Oussama, дообученная на microsoft/layoutlmv3-base на наборе SROIE для классификации токенов в документах-счетах. Архитектура LayoutLMv3ForTokenClassification объединяет текстовые и визуальные признаки документа; модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Основной сценарий — извлечение и разметка полей из изображений чеков и счетов, представленных с распознанным текстом и координатами токенов. В README указаны идеальные метрики на оценочной выборке SROIE, однако сведений о размере и составе выборки или проверке на других типах документов нет. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.