I.14Автоматизация процессов и AI-агенты

webAI-Official разработала webAI-ColVec1.1-8b — мультимодальную модель для поиска по визуальным документам, дообученную на основе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения документов, включая отрендеренные страницы PDF, в согласованные многовекторные представления для поиска с поздним взаимодействием ColBERT и оценкой MaxSim. Модель использует двунаправленное внимание, проекцию скрытых состояний в 640 измерений и содержит около 8,4 млрд параметров. Единый кодировщик обрабатывает запросы и страницы документов, а токеновые векторы сохраняют сигналы структуры страницы и содержания. Модель обучена на отобранной многоязычной выборке из 750 тысяч примеров и синтетических данных; в README приведены результаты оценки на ViDoRe V3. Модель предназначена для извлечения релевантных страниц и документов по текстовому запросу, в том числе в мультиязычных коллекциях. Её многовекторное представление требует больше места для хранения, чем одно-векторные альтернативы. Для запуска описан вариант с Sentence Transformers 6.0.0 или новее; лицензия указана как other, поэтому условия использования следует уточнять в карточке репозитория.

WiNGPT-DocLoom — мультимодальная модель компании WiNGPT для извлечения структурированного текста из сложных PDF-документов. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-VL-4B-Instruct и принимает изображения страниц документа, чтобы выдавать текст в естественном порядке чтения с сохранением структуры: заголовков, таблиц, списков и формул. Модель предназначена для OCR и последующего разбора документов, поиска информации и извлечения данных. В обучении использовались реальные и синтетические данные; отдельно заявлен акцент на обработке медицинских PDF. Для инференса авторы рекомендуют Transformers или vLLM, включая обработку многостраничных документов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

deepset/xlm-roberta-base-squad2-distilled — многоязычная модель для извлекающего ответа на вопросы, разработанная deepset с помощью дистилляции в Haystack. Учитель модели — deepset/xlm-roberta-large-squad2; обучение и оценка проводились на SQuAD 2.0. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает контекст длиной до 514 токенов. Модель находит ответ на вопрос непосредственно во входном тексте и подходит для поиска ответов в документах, в том числе в конвейерах Haystack. Она поддерживает несколько языков, но карточка не перечисляет их по отдельности. Лицензия — MIT. Оценка в карточке приведена для SQuAD 2.0; качество на других языках и типах текстов может отличаться.

keremberke/yolov8n-table-extraction — модель компьютерного зрения на базе YOLOv8, опубликованная Keremberke для обнаружения таблиц в документах. Она обучена распознавать таблицы с рамками и без рамок и предназначена для выделения их областей на изображении. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. Модель подходит для автоматического поиска таблиц при обработке сканов и изображений документов, в том числе как этап предварительной обработки перед извлечением содержимого таблиц. Карточка указывает классы bordered и borderless. Сведения о лицензии и количественных показателях качества в предоставленных данных отсутствуют.

Citaman/command-r-19-layer — объединённая методом SLERP языковая модель на архитектуре Cohere, созданная с помощью mergekit на основе Citaman/command-r-20-layer. В конфигурации объединения используются срезы слоёв одной базовой модели; в метаданных указано 17,7 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, включая интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Максимальная длина контекста — 8192 токена. Модель опубликована в формате safetensors и использует библиотеку Transformers. Карточка не приводит сведений о лицензии, языковой специализации или результатах оценки качества, поэтому их нельзя определить по доступным данным.

Citaman/command-r-39-layer — объединённая с помощью mergekit методом SLERP модель семейства Cohere на архитектуре CohereForCausalLM. В сборку вошли два среза слоёв базовой модели CohereForAI/c4ai-command-r-v01 с диапазонами [0, 39] и [1, 40]. Модель содержит 34,2 млрд параметров и рассчитана на генерацию текста, в том числе в диалоговом формате и через интерфейс вызова инструментов; контекст составляет 8192 токена. Модель подходит для диалоговых систем и генерации текста. В карточке не приведены отдельные сведения о языках, качестве на конкретных задачах или ограничениях применения. Файлы опубликованы в формате safetensors; лицензия в доступных данных не указана.

Citaman/command-r-7-layer — языковая модель для генерации текста, опубликованная пользователем Citaman. Это плотная причинно-языковая модель семейства Cohere с 7,9 млрд параметров; репозиторий содержит веса в формате safetensors и создан с помощью mergekit методом SLERP на основе Citaman/command-r-8-layer. По метаданным модель рассчитана на диалог и интерфейс вызова инструментов; контекст составляет 8192 токена. Подходит для генерации ответов в чат-ботах и для сценариев, где языковая модель взаимодействует с инструментами. Модель принимает текст и генерирует текст. README описывает объединение с перекрывающимися диапазонами слоёв одной базовой модели. В предоставленных материалах нет сведений о лицензии и поддерживаемых естественных языках, поэтому условия коммерческого использования и языковые возможности определить нельзя.

deepset/deberta-v3-large-squad2 — англоязычная модель deepset для извлечения ответов на вопросы из текста. Это DeBERTa-v3-large с 533,8 млн параметров, дообученная на SQuAD 2.0 для extractive question answering. Модель принимает вопрос и контекст и возвращает фрагмент текста в качестве ответа; также обучена распознавать вопросы, на которые в контексте нет ответа. Модель подходит для поиска ответов в документах и для систем вопросов и ответов, в том числе построенных на Haystack. Указанная длина контекста — 512 токенов. Оценивалась на валидационной части SQuAD 2.0; результаты оценки в предоставленной карточке не приведены. Лицензия — CC BY 4.0.

Decision-1.0-Kai-0.6B — модель принятия решений из линейки Open Decision Foundation Models от llm-semantic-router. Она совместно анализирует контекст, вопросы и описания вариантов, чтобы выбирать действие или категорию, оценивать истинность условия и выставлять оценки по упорядоченной шкале. Результаты выдаются структурированно, с распределениями вероятностей; модель не генерирует текстовый ответ.

neuralabs/deepseek_ocr_de — дообученная компанией neuralabs модель DeepSeek OCR для распознавания немецкого текста на изображениях. Она предназначена для извлечения текста из отсканированных документов, печатных материалов, фотографий, форм и чеков; обучена на синтетическом наборе из 200 тысяч изображений с немецкими текстами и поддерживает особенности немецкой орфографии, включая ä, ö, ü и ß. Модель построена на плотной архитектуре DeepseekOCRForCausalLM, содержит 559,7 млн параметров и имеет контекст 8192 токена. В метаданных указаны задачи text-generation и feature-extraction; для основного сценария распознавания текста по изображению подходящим поисковым тегом является image-text-to-text. Модель принимает изображения с текстом и выдаёт текст. Лучше всего работает с чёткими изображениями печатного немецкого текста, похожего на обучающие данные. Качество может снижаться на рукописном тексте, размытых или низкоконтрастных изображениях и материалах, сильно отличающихся от обучающего распределения. Распространяется по лицензии Apache 2.0.

arcee-ai/DeepSeek-V3-0324-bf16 — конверсия модели DeepSeek V3 от Arcee AI в формат BF16. По метаданным это плотная авторегрессионная языковая модель архитектуры DeepseekV3ForCausalLM с 37,6 млрд параметров и контекстом до 163 840 токенов. Предназначена для генерации текста в диалогах и сценариях с интерфейсом вызова инструментов. Модель принимает текст и выдаёт текст. В карточке указана лицензия MIT. README сообщает о преобразовании весов из FP8 в BF16, но не даёт подробностей об обучении или результатах оценки.

MJPansa/DeepSeek-V4-Flash-0731-NVFP4 — общественная конверсия официальной модели DeepSeek-V4-Flash-0731, разработанной DeepSeek. Конверсия сохраняет архитектуру, токенизатор, DSpark/MTP-конфигурацию, механизм внимания, shared experts, router, head и прочие компоненты исходной модели, изменяя представление весов маршрутизируемых экспертов на NVIDIA-style NVFP4. Репозиторий не связан с DeepSeek или NVIDIA и не является их официальным продуктом. Модель предназначена для сложных задач программирования, разработки с агентами, работы с инструментами, автоматизации, терминальных сценариев, математики, Triton, CUDA/Nsight и научных задач. Она относится к MoE-архитектурам и содержит 43 основных transformer-слоя; в структуру включён модуль speculative decoding. В README не указаны общий и активный размер модели, поддерживаемые языки и точный перечень модальностей. Заявлен максимальный контекст до 250 000 токенов в протестированной конфигурации. Сильная сторона версии — компактное представление маршрутизируемых экспертных весов NVFP4 при сохранении исходных 4-битных значений и проверенной совместимости с vLLM на двух системах NVIDIA DGX Spark с tensor parallelism. Работоспособность подтверждена загрузкой и базовой генерацией через OpenAI-compatible API, но это не является сертификацией производительности; протестированный eager-режим показал низкую скорость декодирования. Для запуска требуется совместимая инфраструктура NVIDIA, распределённая конфигурация vLLM и специальное кодирование сообщений, поскольку Jinja-шаблон чата не включён. Лицензия — MIT.

DeepSeek-V4-Flash-GGUF — набор GGUF-квантизаций базовой модели DeepSeek-V4-Flash, разработанной deepseek-ai и опубликованной пользователем teamblobfish. Модель предназначена для генерации текста, агентских сценариев и задач с вызовом инструментов, включая рабочие процессы наподобие Claude Code. Варианты представлены с разной степенью квантизации: от Q8_0 размером около 282 ГиБ до IQ1_S-XL размером около 57 ГиБ. Рекомендуемый вариант Q4_K_M-XL занимает около 163 ГиБ и сочетает 4-битное тело модели с хранением ряда важных тензоров в Q8_0; заявлена поддержка tool calling. GGUF-файлы используют архитектуру DeepSeek V4 с MoE-компонентами и специализированными операциями, включая compressor decode, hyperconnection, lightning indexer, FP8 KV simulation и NextN heads. Для запуска требуется форк llama.cpp с поддержкой V4; стандартный upstream llama.cpp не подходит. Поддерживаются Apple Silicon через Metal, NVIDIA CUDA на совместимых GPU и CPU. ROCm, Vulkan и Metal на AMD не поддерживают необходимые V4-ядра. В репозитории также присутствуют встроенный DSML chat template и калибровочные данные для некоторых вариантов. Проект находится в статусе WIP. Квантизации позволяют уменьшить требования к диску и памяти, однако качество и производительность зависят от выбранного варианта и оборудования; для некоторых старых GPU CUDA-путь FP8 не был проверен в работе. Модель и материалы репозитория распространяются по лицензии MIT.

Карточка модели ByteDance/Dolphin на Hugging Face совпадает с карточкой ByteDance/Dolphin-1.5, поэтому описание составлено по ней. Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) — мультимодальная модель для разбора изображений документов, построенная по схеме «сначала анализ, затем разбор». На первом этапе она определяет структуру страницы и порядок чтения, а на втором параллельно извлекает содержимое отдельных элементов: текста, иллюстраций, формул и таблиц. Модель использует архитектуру vision-encoder-decoder: визуальный энкодер основан на Swin Transformer, а текстовый декодер — на mBART. Задачи разбора можно задавать текстовыми промптами. Карточка описывает её как лёгкую модель с эффективным параллельным разбором, предназначенную для анализа структуры и содержимого страниц документов. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия MIT. Размер модели и длина контекста не приведены в доступных источниках.

nielsr/donut-base-finetuned-cord-v2 — модель Donut, разработанная командой NAVER CLOVA и опубликованная в экосистеме Hugging Face. Это vision-encoder-decoder для понимания документов без отдельного OCR-модуля: Swin Transformer кодирует изображение, а текстовый декодер BART авторегрессионно генерирует структурированный текст. Модель дообучена на наборе данных CORD и предназначена прежде всего для разбора изображений чеков и извлечения из них текстовых полей и структуры. В метаданных указаны архитектура vision-encoder-decoder, задача image-text-to-text, библиотека Transformers и размер около 0,2 млрд параметров; конфигурация Donut задаёт входной размер 1280×960 и максимальную длину генерации 768 токенов. Поддержка естественных языков в метаданных не указана. Для официальной карточки соответствующей модели Donut указана лицензия MIT.

donut-base-sroie — дообученная модель davelotito для преобразования изображений документов в текст. Она построена на архитектуре VisionEncoderDecoderModel и предназначена для сценариев, где нужно извлечь текстовое содержимое из изображения. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете imagefolder, но сведения о составе данных, качестве и конкретных ограничениях отсутствуют. Метаданные также относят модель к задаче image-text-to-text и указывают поддержку изображений.

Это модель определения языка устной речи на основе ECAPA-TDNN от SpeechBrain, обученная на VoxLingua107. Репозиторий содержит неизменённые веса исходной модели speechbrain/lang-id-voxlingua107-ecapa, упакованные в формат GGUF для запуска через loom.cpp и loom-py-rt. На вход модель принимает аудиоклип и выдаёт распределение вероятностей по 107 языкам. Модель предназначена для автоматического определения языка речи в аудиозаписи, например для предварительной сортировки клипов или выбора последующей языковой обработки. Аудио должно быть монофоническим с частотой 16 кГц; каждый клип нужно подавать отдельным вызовом, поскольку пакет с дополненными тишиной клипами не поддерживается. Модель обучена на речи из YouTube, поэтому чистых фрагментов в несколько секунд обычно достаточно, но близкие языки могут путаться — рекомендуется учитывать несколько верхних результатов. Лицензия репозитория — Apache-2.0.

solvi-ai/extract-receipts — англоязычная модель Solvi на базе ModernBERT-large, дообученная на чеках для извлечения полей по текстовому описанию. Она принимает текст OCR и возвращает точный фрагмент текста с границами и оценкой уверенности либо сообщает, что поле отсутствует; извлечение выполняется через библиотеку solvi. Модель обучали два эпоха на 800 чеках CORD v2 и поддерживает поля вроде позиций товаров, цен, количества, налогов, скидок, итоговой суммы, наличных и сдачи. Размер — 394,7 млн параметров, контекст — до 8192 токенов; доступны веса Safetensors и ONNX, включая запуск на CPU и WebGPU. Модель особенно хорошо извлекает суммы, налоги, наличные, сдачу и даты: в описанной оценке на тесте CORD точность по указанным группам вопросов составила 97,3%. Для названий магазинов она уступает базовой модели, поскольку CORD не содержит таких меток. Модель рассчитана на английские и индонезийского типа чеки в виде OCR-текста; другие форматы чеков проверены ограниченно. Лицензия Apache-2.0.

Gliese-OCR-7B-Post2.0-final-GGUF — мультимодальная модель для распознавания и анализа документов, разработанная prithivMLmods. Это финальная, оптимизированная версия серии Gliese-OCR, созданная на архитектуре Qwen2.5-VL и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель дообучалась на данных для визуализации документов и задач, связанных с OCR. Модель предназначена для OCR, визуального анализа, извлечения и связывания информации, преобразования документов в структурированный вид и интеллектуальной обработки документов (IDP). Она рассчитана на работу со сканированными PDF, рукописными страницами, структурированными формами и аналитическими отчётами, а также может формировать результат в формате Markdown. В карточке указано, что поддерживается английский язык. Архитектура мультимодальная: модель обрабатывает текст и изображения; размер модели — 7B параметров. Доступны варианты квантования GGUF с размерами примерно от 1,9 до 15,2 ГБ, включая F16, Q2–Q8 и IQ-квантизации, что позволяет выбирать баланс между требованиями к памяти и качеством. Сильными сторонами заявлены эффективность, точность и улучшенные возможности визуализации документов. Ограничения, включая фактическую точность на конкретных типах документов, максимальный контекст и требования к оборудованию, в README не указаны. Модель распространяется по лицензии Apache-2.0.

GLM-4.6V-Flash-GGUF — это набор GGUF-сборок мультимодальной модели GLM-4.6V-Flash, разработанной zai-org и опубликованной пользователем prithivMLmods. Модель относится к классу vision-language и предназначена для локального развёртывания и приложений с низкой задержкой. Доступны варианты с разными форматами точности и квантования, включая F16, BF16, F32, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-варианты. Модель рассчитана на работу с текстом и изображениями, включая фотографии, скриншоты и страницы документов. Она предназначена для визуального понимания документов, таблиц, графиков и макетов, мультимодального function calling, взаимодействия с инструментами, генерации HTML/CSS по скриншотам интерфейсов и редактирования изображений по инструкциям на естественном языке. Заявлено контекстное окно до 128K токенов и около 9 млрд параметров; поддерживаются китайский и английский языки. К сильным сторонам относятся мультимодальное понимание текста, структуры страниц и визуальных элементов, возможность напрямую использовать изображения в сценариях с инструментами, а также широкий выбор квантованных вариантов для подбора баланса между качеством и требованиями к памяти. Ограничения зависят от выбранного уровня квантования: более компактные варианты требуют меньше ресурсов, но могут снижать точность. В README не приведены подробные результаты тестирования, системные требования и инструкции по запуску. Лицензия модели указана как MIT.

GOT_CPU — версия модели General OCR Theory (GOT), опубликованная пользователем srimanth-d. Это плотная модель класса GOTQwenForCausalLM с 463,8 млн параметров, предназначенная для OCR: извлечения текста из изображений и мультимодальных задач, связанных с распознаванием документов. В карточке указано использование через Transformers; README описывает запуск инференса на CPU. Модель принимает изображения и текстовые запросы и генерирует текстовый результат. Метаданные относят её к многоязычным моделям и указывают контекстное окно 32 768 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Среди возможных ограничений: качество распознавания может зависеть от языка, качества изображения и типа документа; README не приводит результаты оценки или подробности о поддерживаемых языках.

harkov000/hermes-stheno-8B-v0.1 — текстовая диалоговая модель на архитектуре Llama, созданная слиянием SLERP моделей NousResearch/Hermes-3-Llama-3.1-8B и Sao10K/Llama-3.1-8B-Stheno-v3.4 с помощью mergekit. Модель содержит 7,5 млрд параметров, работает через Transformers и принимает текст для генерации продолжений и диалоговых ответов; поддерживает интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогового использования. В качестве базовых компонентов объединены модели семейства Llama 3.1 8B: Hermes 3 и Stheno v3.4. Лицензия в предоставленных данных не указана.

Hymba-1.5B-Instruct — языковая модель NVIDIA для генерации текста и диалогов. Она дообучена на основе nvidia/Hymba-1.5B-Base с помощью supervised fine-tuning и direct preference optimization, используя открытые наборы инструкций и синтетические данные. Модель содержит 1,1 млрд параметров по метаданным и поддерживает контекст до 8192 токенов. Архитектура Hymba сочетает в слоях механизмы внимания и Mamba (SSM), использует Grouped-Query Attention, Rotary Position Embeddings, скользящее окно внимания и совместное использование KV-кэша между слоями. Модель предназначена для диалогов, решения математических задач, вызова функций и ролевых сценариев. NVIDIA заявляет о готовности к коммерческому использованию; модель распространяется по NVIDIA Open Model License Agreement. Модель может выдавать неточные, неполные или избыточные ответы, а также воспроизводить токсичность и социальные предубеждения из обучающих данных. README отмечает уязвимость к jailbreak-атакам и рекомендует проверять выводы при использовании в RAG- и агентных системах.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

Isaac-0.2-2B-Preview — компактная гибридная vision-language модель компании PerceptronAI с плотной архитектурой IsaacForConditionalGeneration и 1,7 млрд параметров. Она принимает изображения и текст, поддерживает диалоговый режим и рассчитана на контекст до 40 960 токенов. Модель предназначена для визуального рассуждения и восприятия: распознаёт текст на документах, схемах, экранах и в сложных сценах, помогает разбирать изображения, понимать интерфейсы и выполнять задачи навигации на компьютере. Также заявлены структурированные ответы, короткие рассуждения и вызов инструментов, включая увеличение и кадрирование области изображения для детального анализа. Разработчик позиционирует её для робототехники, поиска по медиаматериалам и промышленного контроля; модель рассчитана на работу с умеренными вычислительными ресурсами. В карточке заявлены улучшения распознавания текста, локализации объектов и понимания мелких деталей, однако независимые результаты оценки не приведены. Метаданные указывают английский язык и формат Safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Jack-Long-Agentic-27B-4bpw-16GB-VRAM — экспериментальная агентная сборка на базе Qwen3.6-27B, опубликованная автором Jack. Это файл GGUF для локальных сред выполнения, совместимых с форматом GGUF; в метаданные шаблона чата встроена архитектура Jack для ведения структурированного рабочего состояния между ходами. README утверждает, что тензоры базовой модели не изменялись, а интеграция выполнена через tokenizer.chat_template. Модель предназначена для длительных многоэтапных задач: работы с кодом и репозиториями, отладки с повторными вызовами инструментов, анализа документов, исследований и оркестрации сложных действий. Заявленные механизмы включают сжатие истории в рабочее состояние, привязку рассуждений к источникам, разделение конфигураций и контрфактических сценариев, проверку выводов и передачу детерминированных операций инструментам. Поддержка изображений базовой моделью в карточке каталога указана, однако README описывает сценарии работы с текстом и инструментами. Автор называет выпуск исследовательским превью и экспериментальной демонстрацией; качество и надёжность агентного поведения требуют проверки в конкретной среде. Для предполагаемого поведения нужны GGUF-совместимый рантайм, доступные модели инструменты и сохранение истории диалога. Лицензия — Apache-2.0.

OsaurusAI/Laguna-M.1-JANG_1L — версия модели Poolside Laguna-M.1, подготовленная Osaurus для локального запуска на компьютерах Apple Silicon. Это MoE-модель для генерации текста и агентного программирования; в README указаны 225 млрд параметров и около 23 млрд активных параметров. Профиль JANG_1L использует аффинную квантизацию: 2 бита для gate/up/down, 4 бита для shared/dense и 8 бит для attention; размер сборки около 72 ГБ. Метаданные указывают 17,1 млрд параметров и контекст до 262 144 токенов, что расходится с числом параметров в README. Модель предназначена для написания и анализа кода, а также длительных агентных задач с инструментами. Для запуска требуется Laguna-совместимая среда, например Osaurus или vMLX: архитектура использует нестандартные механизмы внимания и маршрутизации MoE, которые не поддерживаются обычными загрузчиками. Базовая модель распространяется по лицензии Apache-2.0; README указывает эту же лицензию для сборки.

Это дообученная модель tiennvcs на основе microsoft/layoutlmv2-base-uncased для ответов на вопросы по документам. Она принимает изображение документа, распознанный текст и его координаты, а затем находит ответ на вопрос в содержимом документа. Модель построена на архитектуре LayoutLMv2, содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для извлечения сведений из форм, счетов и других документов с заданными вопросами. В карточке приведено значение функции потерь 1,194 на оценочном наборе, но набор данных и подробности обучения не описаны. Использование распространяется по лицензии CC BY-SA 4.0.

hantian/layoutreader — модель на базе LayoutLMv3 для предсказания порядка чтения элементов документа. Она принимает ограничивающие рамки (bounding boxes), извлечённые из PDF или распознанные OCR, и определяет, в каком порядке их следует читать. Это полезно для восстановления последовательности текста и структуры страниц при обработке документов. Модель содержит 454,1 млн параметров, использует архитектуру LayoutLMv3 и работает с контекстом до 514 токенов. В метаданных Hugging Face для неё указан pipeline token-classification; веса доступны в форматах PyTorch и Safetensors. Карточка не уточняет поддерживаемые языки и конкретные ограничения качества. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование.

vikp/layout_segmenter — модель Vikas Paruchuri для сегментации макета страниц PDF на блоки. Она основана на LayoutLMv3 и применяется в проекте Marker для разбора PDF. Модель содержит около 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и предназначена для классификации токенов по типам областей страницы: подпись, сноска, формула, элемент списка, колонтитул, изображение, заголовок раздела, таблица, текст и название. Модель работает с текстом и пространственными признаками документа и выдаёт метки токенов. В доступных сведениях не указаны поддерживаемые естественные языки и лицензия; их нельзя надёжно определить по карточке. Карточка описывает применение для PDF, но не приводит подробных оценок качества или ограничений.