I.14Автоматизация процессов и AI-агенты

GLiClass Multilang Edge от Knowledgator — компактная модель семейства GLiClass для классификации последовательностей с произвольными метками в zero-shot и few-shot режимах. Модель насчитывает около 140 млн параметров и предназначена для эффективной классификации текста; карточка указывает архитектуру GLiClassModel и формат safetensors. Модель поддерживает тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности LLM, выявление галлюцинаций, NLI и оценку релевантности текстовых фрагментов. Можно задавать описания меток, пользовательские инструкции и иерархии меток; текст и метки могут быть на разных языках. По карточке, модель обучена для 20 языков: шведского, норвежского, чешского, польского, литовского, эстонского, латышского, испанского, финского, немецкого, французского, румынского, итальянского, португальского, нидерландского, украинского, хинди, китайского, арабского и иврита. Английский также присутствует в метках языков карточки. Небольшой размер обеспечивает высокую скорость: в тесте автора средняя пропускная способность составила 553,6 примера в секунду при пакетной обработке на RTX PRO 6000 Blackwell. Качество зависит от языка и задачи; приведённые в карточке результаты показывают более низкие средние показатели Edge по сравнению с более крупными вариантами multilang-mini и multilang-ultra. Лицензия — Apache-2.0.

urchade/gliner_medium-v2.1 — англоязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Уршаде Заратианой, Нади Томе, Пьером Ола и Тьерри Шарнуа. Она использует двунаправленный энкодер-трансформер типа BERT и содержит 209 млн параметров. Модель извлекает из текста сущности заданных пользователем типов, поэтому подходит для сценариев, где нужны гибкие категории разметки без отдельного классификатора для каждого типа. Она предназначена для распознавания сущностей в англоязычном тексте и может служить более компактной альтернативой крупным языковым моделям для извлечения сущностей. Для работы авторы рекомендуют библиотеку GLiNER: модель загружается через `GLiNER.from_pretrained`, а сущности извлекаются функцией `predict_entities`. Репозиторий предоставляет веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты бенчмарков или конкретные ограничения качества; поддержка других языков для этой версии не заявлена.

mlx-community/GLM-OCR-bf16 — конвертированная в формат MLX версия мультимодальной модели GLM-OCR, подготовленная mlx-community на основе zai-org/GLM-OCR. Она предназначена для распознавания текста на изображениях и может применяться для извлечения содержимого из сканов и фотографий документов. Базовая GLM-OCR ориентирована также на распознавание формул и таблиц, разбор документов и извлечение структурированных данных. Модель использует плотную архитектуру GLM-OCR и класс GlmOcrForConditionalGeneration. В карточке указаны языки китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors; README описывает конвертацию для MLX с помощью mlx-vlm 0.3.11. Лицензия — MIT. Модель принимает изображения и выдаёт текст. Подробности о размере и длине контекста в предоставленных данных отсутствуют. Указанная задача Hugging Face — image-to-text; характеристики сверх неё и краткого описания базовой модели относятся к исходной GLM-OCR и не раскрыты в этой карточке.

Карточка модели npario/GLM-OCR-bf16 на Hugging Face совпадает с карточкой mlx-community/GLM-OCR-bf16, поэтому описание составлено по ней. mlx-community/GLM-OCR-bf16 — конвертированная в формат MLX версия мультимодальной модели GLM-OCR, подготовленная mlx-community на основе zai-org/GLM-OCR. Она предназначена для распознавания текста на изображениях и может применяться для извлечения содержимого из сканов и фотографий документов. Базовая GLM-OCR ориентирована также на распознавание формул и таблиц, разбор документов и извлечение структурированных данных. Модель использует плотную архитектуру GLM-OCR и класс GlmOcrForConditionalGeneration. В карточке указаны языки китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors; README описывает конвертацию для MLX с помощью mlx-vlm 0.3.11. Лицензия — MIT. Модель принимает изображения и выдаёт текст. Подробности о размере и длине контекста в предоставленных данных отсутствуют. Указанная задача Hugging Face — image-to-text; характеристики сверх неё и краткого описания базовой модели относятся к исходной GLM-OCR и не раскрыты в этой карточке.

Карточка модели OpenPipe/Hermes-2-Theta-Llama-3-8B-32k на Hugging Face совпадает с карточкой NousResearch/Hermes-2-Theta-Llama-3-8B, поэтому описание составлено по ней. Hermes-2 Θ (Theta) — экспериментальная объединённая и дополнительно обученная модель Nous Research, созданная совместно с Charles Goddard из Arcee. В основе лежит Hermes-2-Pro-Llama-3-8B: веса объединены с Meta Llama 3 Instruct, после чего модель дополнительно обучали с помощью RLHF. Это плотная причинно-языковая модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена. Модель предназначена для диалогов и выполнения инструкций на английском языке. Она поддерживает формат ChatML, многоходовое общение, вызов функций и генерацию структурированных ответов в JSON. Репозиторий содержит веса safetensors; для запуска описан пример с Transformers. В карточке приведены результаты оценок на нескольких наборах тестов, но они не гарантируют качество в конкретных сценариях. Модель распространяется по лицензии Apache-2.0. Практические ограничения: карточка называет её экспериментальной; вызовы инструментов нужно самостоятельно разбирать и исполнять в коде приложения. Указанная в README рекомендация LM Studio относится к квантованным версиям и не обещает поддержку вызова функций в этом интерфейсе.

AnandSingh/hunyuanocr-mlx — конверсия OCR-модели Tencent HunyuanOCR для запуска через Apple MLX на компьютерах Mac с Apple Silicon. Это плотная зрительно-языковая модель семейства Hunyuan-VL с архитектурой HunYuanVLForConditionalGeneration; в метаданных указано 463,5 млн параметров и контекст 32 768 токенов. Модель принимает изображения и текстовые инструкции, а в ответ может распознавать текст, извлекать сведения и разбирать документы. Модель предназначена для поиска текста на изображениях, разбора сложных документов и таблиц, распознавания формул и извлечения субтитров из видео. В README также заявлены перевод текста на фотографиях и высокие результаты в этих задачах, но сравнительные оценки не приведены. В примерах используются китайские инструкции; метаданные характеризуют языки модели как многоязычные. Для работы требуются Mac с Apple Silicon, macOS 14 или новее, Python 3.9+ и библиотеки MLX, Transformers, PyTorch и Pillow. Репозиторий использует формат safetensors. Указанная лицензия — other; конкретные условия необходимо сверить с карточкой модели. Конверсия не связана с Tencent и не одобрена компанией.

Indian ID Validator — конвейер компьютерного зрения для классификации индийских удостоверений личности, обнаружения полей на документах и извлечения текста с помощью PaddleOCR. В README указаны Aadhaar, PAN Card, паспорт, Voter ID и водительское удостоверение; для некоторых документов поддерживаются изображения лицевой и обратной стороны. Метаданные указывают на дообучение Ultralytics/YOLO11 и формат PyTorch. Модель предназначена для автоматизации проверки документов: она определяет тип удостоверения, находит области с полями вроде имени, даты рождения, адреса и номера документа, а затем распознаёт текст. README приводит метрики на пользовательском наборе данных: точность классификатора ID — 0,995 top-1; для детектора Aadhaar mAP50 — 0,795, для водительского удостоверения — 0,690. Система рассчитана на документы Индии и описана как конвейер из нескольких моделей, а не как единая универсальная модель. В README указана лицензия MIT. Качество распознавания зависит от изображения и конкретного типа документа; приведённые метрики относятся к пользовательскому набору данных, а в карточке нет сведений о проверке на других наборах или о защите от поддельных документов.

HashNuke/indic-ocr-mlx — конверсия IndicOCR от Bodhan AI / AI4Bharat для запуска на Apple Silicon через MLX-VLM. Это двухэтапная система разбора документов: IndicDocLayout находит блоки и определяет порядок чтения, затем IndicBlockOCR распознаёт их содержимое. Результат включает Markdown в порядке чтения и JSON по блокам; формулы могут передаваться в LaTeX, а таблицы — в HTML. Этап распознавания основан на дообученной Qwen3.5-0.8B, а этап разметки — на дообученной PP-DocLayoutV3 с 37 классами. Модель предназначена для OCR и структурированного извлечения текста из изображений страниц, включая документы с формулами и таблицами. Заявлена поддержка печатного текста на английском и 22 индийских языках; рукописный текст поддерживается на английском и 12 индийских языках, но не на всех языках печатного текста. Проверки описаны на отдельных примерах и не являются оценкой точности на широком наборе данных. Для запуска требуется версия MLX-VLM с поддержкой indic_ocr; веса не квантизированы. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели и лицензией исходного проекта.

danieltorscho дообучил модель Qwen2.5-7B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров для генерации текста и диалогового взаимодействия; она также предоставляет интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной до 32 768 токенов. Модель подходит для ведения диалогов, генерации ответов и использования инструментов в текстовых сценариях. В README указана лицензия Apache-2.0. Карточка не описывает специальные предметные области или дополнительные ограничения качества и применения.

Laguna-XS-2.1-bf16 — версия текстовой модели Poolside Laguna-XS-2.1, подготовленная mlx-community для запуска в формате MLX с точностью bfloat16. Это причинная MoE-модель с 2,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; базовая модель ориентирована на агентное программирование, работу в терминале и длительные задачи с кодом. Заявленная длина контекста — 262 144 токена. Репозиторий рассчитан на запуск на компьютерах Apple через mlx-vlm или oMLX с принудительным режимом VLM. mlx-lm пока не поддерживает архитектуру Laguna. В README приведены замеры производительности на MacBook Pro M5 Max с 128 ГБ памяти, однако они не характеризуют скорость на другом оборудовании. Лицензия — OpenMDW 1.1.

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов. Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это дообученная версия мультимодального Transformer LayoutLMv3-base от Microsoft, созданная nielsr на наборе документов CORD для разметки токенов в документах. Модель принимает текст вместе с изображением документа и его структурными координатами, а затем присваивает токенам метки, помогая извлекать и классифицировать поля в чеках. В оценке на CORD указаны F1 0,9638, точность 0,9620, полнота 0,9656 и accuracy 0,9682. Модель содержит 151,8 млн параметров; контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель Theivaprakasham/layoutlmv3-finetuned-invoice — дообученная версия microsoft/layoutlmv3-base на наборе данных счетов-фактур. Она использует архитектуру LayoutLMv3 для разметки токенов с учётом текста и визуальной структуры документа. По изображению счёта модель извлекает имя и адрес выставителя, почтовый индекс, дату оплаты, GST, дату и номер счёта, подытог и итоговую сумму. Модель содержит 151,8 млн параметров, работает в формате PyTorch и рассчитана на контекст до 514 токенов. В карточке приведены идеальные метрики на оценочной выборке: precision, recall, F1 и accuracy равны 1,0; эти результаты относятся только к указанной выборке и не гарантируют такого же качества на новых документах. Модель предназначена для извлечения полей из счетов, а не для документов произвольного типа. Лицензия в доступных данных не указана.

HYPJUDY/layoutlmv3-large-finetuned-funsd — модель Microsoft LayoutLMv3 Large, дообученная на наборе FUNSD для извлечения и классификации сущностей в формах и других документах. Архитектура LayoutLMv3 объединяет обработку текста и изображения с учётом расположения элементов на странице; модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для разметки слов и токенов в сканах форм, например для выделения вопросов, ответов и заголовков. В README указана оценка F1 92,15 на тестовой части FUNSD. Модель использует формат PyTorch и лицензию CC BY-NC-SA 4.0, предусматривающую атрибуцию и распространение производных материалов на тех же условиях с ограничением коммерческого использования.

LFM2.5-350M — компактная языковая модель Liquid AI для локального запуска на устройствах и instruction-following сценариев. Это дообученная на основе LiquidAI/LFM2.5-350M-Base плотная гибридная модель семейства LFM2 с 350 млн параметров по README и 444,6 млн параметров по метаданным. Архитектура сочетает 10 блоков double-gated convolution и 6 блоков GQA; модель принимает текст и генерирует текст, поддерживает контекст до 128 000 токенов по метаданным, тогда как README указывает 32 768 токенов. Модель общего назначения рассчитана на извлечение данных, структурированные ответы и вызов инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Разработчик заявляет скорость до 313 токенов/с на CPU AMD и 188 токенов/с на Snapdragon Gen 4, а также возможность работы менее чем с 1 ГБ памяти. README не рекомендует использовать её для задач, требующих обширных знаний, и программирования. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой модели.

AtomicChat/LFM2.5-8B-A1B-GGUF — это текстовая генеративная модель в формате GGUF, созданная Atomic Chat на основе LiquidAI/LFM2.5-8B-A1B. Репозиторий содержит самостоятельно выполненные квантования исходных весов с использованием importance matrix, рассчитанной для каждого тензора, поэтому модель предназначена для локального и полностью офлайн-использования через llama.cpp, MLX, vLLM, SGLang и совместимые приложения. Модель рассчитана на роль персонального помощника на устройствах с ограниченными ресурсами: она поддерживает диалог, сложные инструкции, последовательные вызовы инструментов и агентские сценарии. Это текстовая Mixture-of-Experts-модель с 8,5 млрд параметров, 24 слоями и 32 экспертами, из которых для обработки выбираются 4; архитектура также включает 32 attention heads и 8 KV heads. Заявленная длина контекста — до 128 000 токенов, размер словаря — 128 000 токенов. Поддерживаемая модальность — текст; сведения о языках в README не указаны. Сильные стороны модели — высокая скорость инференса на CPU и GPU, широкий выбор квантований от Q2_K до Q8_0 и хорошее сохранение качества при использовании importance matrix. В качестве сбалансированного варианта рекомендуется Q4_K_M, а Q6_K и Q8_0 ориентированы на более высокую точность. К ограничениям относятся неизбежная потеря качества в низкобитных вариантах, требования к памяти, зависящие от выбранного квантования, и необходимость применять chat template LFM2.5 с параметром --jinja; без него возможны некорректно сформированные диалоговые ходы. Лицензия обозначена как other, подробные условия находятся в файле LICENSE.

Liquid AI подготовила LFM2.5-VL-450M-MLX-bf16 — экспорт мультимодальной модели LFM2.5-VL-450M в формате MLX для запуска на Apple Silicon. Модель объединяет языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex; содержит 450 млн параметров и использует точность bfloat16. Модель предназначена для понимания изображений и работы с визуальными данными: распознаёт текст на изображениях, анализирует документы, отвечает на вопросы по изображению, предсказывает ограничивающие рамки объектов и поддерживает вызов функций. README заявляет мультиязычное визуальное понимание; карточка перечисляет английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Репозиторий использует библиотеку MLX и формат safetensors. Лицензия указана как other, без уточнения условий в доступных данных.

LightOnOCR-2-1B-viv2 — дообученная модель на основе lightonai/LightOnOCR-2-1B, опубликованная пользователем xbikevn. Она предназначена для распознавания текста и структуры документов на изображениях и страницах PDF; в карточке Hugging Face задача указана как text-generation, а каталог описывает базовую модель как мультиязычную vision-language модель. Модель использует плотную архитектуру семейства Mistral 3 и доступна в формате safetensors через Transformers. В метаданных нет сведений о размере контекста, языках этой версии, обучающем наборе или оценке качества. Указана лицензия Apache-2.0. README не описывает отличия дообучения viv2 от базовой модели и не приводит ограничений или результатов оценки.

kechengcode/Llama-3.1-5B-Instruct-18Layers — компактная текстовая генеративная модель на архитектуре Llama, созданная методом passthrough merge из слоёв Meta Llama 3.1 8B Instruct с помощью mergekit. В репозитории указаны 4,5 млрд параметров, формат safetensors и библиотека Transformers; метаданные указывают контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и интерфейсов вызова инструментов. Её можно использовать для ответов на вопросы, черновиков текстов и подключения языковой модели к приложениям с инструментами. Карточка не описывает отдельную специализацию по предметной области или языкам; исходная модель — Llama 3.1 8B Instruct. Лицензия в предоставленных данных не указана. Сокращённый набор слоёв может влиять на качество и поведение относительно исходной модели; отдельные результаты оценки не приведены.

Модель potsawee/longformer-large-4096-answerable-squad2 — дообученная Potsawee на Longformer Large для оценки того, можно ли ответить на вопрос по заданному контексту. На вход подаются вопрос и контекст, объединённые в одну последовательность; модель выдаёт вероятность от 0 до 1, где значения ближе к 1 означают, что ответ содержится в контексте, а ближе к 0 — что вопрос неразрешим по нему. Модель дообучена на SQuAD 2.0 с балансировкой обучающих примеров до соотношения 50/50 между ответимыми и неответимыми вопросами. Архитектура — LongformerForSequenceClassification на базе Longformer Large, около 454,1 млн параметров; максимальный контекст — 4098 токенов. Подходит для предварительной фильтрации вопросов в системах ответов по контексту и поиска по документам. Лицензия — Apache-2.0.

LumenX1-Sept26-Release — текстовая авторегрессионная модель семейства Lumen Dense, опубликованная dusersad12 на Hugging Face. Она предназначена для диалогов и генерации ответов, особенно для сложных задач на рассуждение, математику, программирование и общую логику. В карточке заявлены улучшенные рассуждения, снижение числа галлюцинаций и поддержка вызова функций; для ответа на вопрос AIME 2026 указано в среднем 31 тыс. токенов рассуждения. Модель использует архитектуру LumenDenseForCausalLM и распространяется в формате PyTorch для Transformers. Репозиторий выпущен под лицензией MIT. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки. Заявления о качестве приведены в README, но детали бенчмарков описаны частично.

m_OCR — мультиязычная модель распознавания текста на изображениях документов, разработанная Priyank M. Она использует архитектуру VisionEncoderDecoder по мотивам TrOCR: визуальный энкодер ViT-MAE Large обрабатывает изображение, а декодер XLM-RoBERTa Base формирует распознанный текст. Модель предназначена прежде всего для OCR на английском и китайском языках; в карточке также указано мультиязычное назначение. Автор сообщает, что модель обучалась на наборе примерно из 1,4 млн примеров и что обучение на меньшем наборе из 200 тыс. примеров давало слабые результаты. Это описание не содержит количественных оценок качества или данных о длине контекста. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели regolo/modernbert-capability-classifier на Hugging Face совпадает с карточкой massaindustries/modernbert-capability-classifier, поэтому описание составлено по ней. massaindustries/modernbert-capability-classifier — дообученная модель классификации текста на базе ModernBERT-base от Answer.AI. Она оценивает текст по шести измерениям возможностей: следование инструкциям, программирование, математические рассуждения, знания о мире, планирование и агентные задачи, творческий синтез. Модель предназначена для маршрутизации запросов в семантическом роутере Brick и может служить заменой классификатору предметных областей. Архитектура — ModernBERT с линейным классификационным слоем на шесть выходов; модель выдаёт оценки от 0 до 1 для каждого измерения и поддерживает многометочную классификацию. Она обучена на massaindustries/dataset-B-modernbert-train с мягкими метками. Число параметров — 394,7 млн, максимальный контекст — 8192 токена. Для применения нужна токенизация текста; выходы представляют собой оценки классов, а не готовые ответы на запросы. Лицензия — Apache-2.0.

Moritz Laurer дообучил англоязычный энкодер answerdotai/ModernBERT-large на той же смеси данных, что и модели коллекции Zeroshot Classifiers Collection версии zeroshot-v2.0. Модель предназначена для классификации текста по заданным меткам в режиме zero-shot: пользователь задаёт текст и варианты категорий, а модель оценивает их применимость. В Hugging Face она опубликована как модель text-classification с архитектурой ModernBertForSequenceClassification; размер составляет 394,7 млн параметров, контекст — до 8192 токенов. Доступны веса Safetensors и формат ONNX, используется библиотека Transformers. Автор отмечает высокую скорость и экономное использование памяти по сравнению с DeBERTav3, что позволяет увеличивать размер пакета; в его экспериментах bf16 давал примерно двукратное ускорение относительно fp16. В среднем на проверенных задачах качество немного уступало DeBERTav3. Модель дообучена на данных версии zeroshot-v2.0, а автор сообщал о подготовке обновлённой версии с улучшенными синтетическими данными. Лицензия — Apache-2.0.

MonkeyOCR — модель для разбора документов, разработанная авторами Zhang Li и соавторами. Она использует парадигму Structure-Recognition-Relation: определяет структуру страницы, распознаёт содержимое и устанавливает отношения между элементами, формируя результат в Markdown. Модель принимает изображения документов и страницы PDF; для обработки PDF и каталогов с файлами в README описаны локальный запуск, API и демонстрационный интерфейс. MonkeyOCR предназначена для разбора китайских и английских документов. В карточке описаны варианты семейства на 1,2 млрд и 3 млрд параметров; для версии pro-1.2B заявлены более высокая скорость и сопоставимые результаты с вариантом pro-3B. Репозиторий содержит веса в формате safetensors и библиотеку MonkeyOCR. Авторы отмечают ограничения при работе с фотографиями текста, рукописным содержимым, традиционными китайскими и многоязычными текстами. Использование заявлено для академических исследований и некоммерческих целей.

MonkeyOCR-pro-1.2B Vision GGUF — мультимодальная модель для распознавания текста и анализа документов по изображениям. Репозиторий подготовлен для использования в формате GGUF, включая совместимые с LM Studio файлы. В основе указана архитектура Qwen2.5-VL; модель содержит около 1,2 млрд параметров, использует квантование Q8_0 и поддерживает контекст до 8 196 токенов. Модель принимает изображения и текст, извлекает текст из документов, анализирует структуру страниц, таблицы и форматирование, а также отвечает на вопросы об изображениях в диалоге. В карточке заявлена поддержка английского, китайского и других языков. Указанные сценарии — OCR и разбор документов; фактическая точность зависит от качества изображения и языка. Лицензия репозитория — Apache-2.0.

Многоязычная модель распознавания именованных сущностей на основе BERT, разработанная Yahya Mdarhri и дообученная на bert-base-multilingual-cased. Она выполняет разметку текста по токенам и выделяет категории, включая имена людей, организации, местоположения, даты, телефоны, IBAN, номера банковских карт, адреса электронной почты и идентификационные номера. Модель рассчитана на арабский, французский и английский языки; карточка также указывает возможность адаптации к новым меткам при наличии размеченных обучающих данных. В репозитории указано 205,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель подходит для извлечения сущностей из текстов и идентификации контактных и финансовых данных. Лицензия обозначена как open source, без указания конкретного лицензионного идентификатора. Возможны ошибки и смещения при распознавании, особенно для имен и чувствительных категорий; результаты требуют проверки, а обработку персональных данных следует проводить с соблюдением требований конфиденциальности.

PP-OCRv4_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv4_rec и предназначена для использования как модуль распознавания в OCR-системах: получает изображение строки и возвращает текст. В полном конвейере PP-OCRv4 этот модуль работает вместе с обнаружением текста и, при необходимости, классификацией ориентации и выравниванием изображений. Модель рассчитана на распознавание китайского и английского текста общего назначения, с основным акцентом на китайский. В PP-OCRv4 по сравнению с PP-OCRv3 оптимизированы данные, структура сети и стратегия обучения для модулей обнаружения и распознавания. Метаданные указывают библиотеку PaddleOCR и задачу image-to-text. Лицензия — Apache 2.0. В README не приведены размер модели и длина контекста; качество распознавания отдельной строки зависит от изображения и может быть недостаточным для сложных документов без полного OCR-конвейера.

Это версия модели распознавания текста PP-OCRv6 medium, подготовленная автором mikoy92 для запуска с библиотекой MLX и mlx-vlm. Она принимает изображения и распознаёт содержащийся на них текст; базовая модель разработана PaddlePaddle. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0. Модель рассчитана на распознавание текста на изображениях, а не на генерацию или перевод текста.

Qiuchen-Wang/Qwen2.5-VL-7B-VRAG — мультимодальная модель семейства Qwen2.5-VL, дообученная для визуального поиска с дополненной генерацией (RAG). Она сочетает анализ изображений с поиском по коллекциям изображений и документов, чтобы отвечать на вопросы по визуально насыщенным материалам. Модель предназначена для извлечения сведений из слайдов и отчётов, понимания диаграмм, таблиц и структуры документов, а также многошагового поиска релевантной информации. Модель построена на Qwen/Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров, принимает текст и изображения и выдаёт текст. В метаданных указаны контекст до 128 000 токенов и библиотека Transformers. README описывает визуальное пространство действий для последовательного изучения областей изображения и многошаговое взаимодействие с поисковыми системами; конкретная интеграция поиска зависит от внешней системы. Лицензия — Apache-2.0.