I.15Доступность и ассистивные технологии

DeepSeek-VL-Hybrid — мультимодальная модель для понимания изображений и текста, разработанная командой DeepSeek AI. Она принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. В архитектуре используется языковая модель на основе LLaMA, SigLIP для обработки изображений низкого разрешения и SAM для изображений высокого разрешения. Модель рассчитана на практические визуально-языковые сценарии, включая анализ скриншотов, PDF, OCR, диаграмм и содержимого, требующего визуальных деталей; заявлена обработка изображений размером до 1024 × 1024 пикселей. В карточке указана версия 7B, однако конкретное число параметров этой копии не приведено. Модель подходит для вопросов об изображениях, извлечения и объяснения визуальной информации, а также работы с документами и графиками. Она требует вычислительных ресурсов для мультимодальной модели и может ошибаться в распознавании мелких деталей или содержимого изображения. Указана лицензия DeepSeek; метаданные Hugging Face классифицируют её как other, поэтому точные условия следует сверить с текстом лицензии репозитория.

jonatasgrosman/exp_w2v2t_ru_hubert_s818 — модель распознавания русской речи, дообученная автором jonatasgrosman с помощью HuggingSound на обучающей части Common Voice 7.0. Она основана на facebook/hubert-large-ll60k и использует архитектуру HuBERT с CTC-головой; размер составляет 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Подходит для автоматической транскрипции русскоязычных записей. Распространяется по лицензии Apache-2.0.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная jfmdai. Она предназначена для распознавания речи и может использоваться в CTranslate2, включая проекты на его основе, например faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type. Модель принимает аудио и выдаёт распознанный текст. По метаданным она поддерживает множество языков, в том числе русский, английский, китайский, немецкий, испанский, французский, японский и корейский. Лицензия репозитория — MIT. Карточка не приводит сведения о контексте или дополнительных ограничениях качества.

Карточка модели jie123123123/faster-whisper-large-v3-turbo-ct2 на Hugging Face совпадает с карточкой deepdml/faster-whisper-large-v3-turbo-ct2, поэтому описание составлено по ней. Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи: она принимает аудио и выдаёт текстовую расшифровку. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Карточка указывает поддержку распознавания на множестве языков, в том числе русском и английском. Репозиторий распространяется по лицензии MIT.

Карточка модели jamiefutch/GLM-4.6V-Flash-MXFP4-GGUF на Hugging Face совпадает с карточкой FreedomAISVR/GLM-4.6V-Flash-MXFP4-GGUF, поэтому описание составлено по ней. GLM-4.6V-Flash-MXFP4-GGUF — квантованная до 4-битного формата MXFP4 мультимодальная модель Z.ai (Zhipu AI), основанная на zai-org/GLM-4.6V-Flash. Модель объединяет языковую часть на 9 млрд параметров с визуальным энкодером ViT и принимает текстовые запросы вместе с изображениями, чтобы вести диалог и описывать визуальное содержимое. Модель рассчитана на понимание изображений, документов и визуальных интерфейсов. Контекст составляет 128 тысяч токенов; режим рассуждений включён по умолчанию и может быть отключён параметром `enable_thinking=false`. Для работы с изображениями требуются основной файл GGUF и отдельный файл проектора mmproj в формате F16. Лицензия — MIT. Квантование уменьшает размер языковой части до 4,82 ГБ, однако MXFP4 нативно поддерживается видеокартами NVIDIA Blackwell (RTX 50); на других GPU и CPU выполняется программная деквантизация, которая может быть медленнее. Для запуска подходит совместимое ПО, например llama.cpp или LM Studio.

InternVL2_5-4B — мультимодальная чат-модель семейства InternVL 2.5, разработанная командой OpenGVLab. Она предназначена для диалога по изображениям, нескольких изображений и видеокадров, а также для генерации текста по запросу. Модель использует архитектуру ViT-MLP-LLM: визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-3B-Instruct; обработка изображений поддерживает динамическое разбиение на фрагменты 448×448 пикселей и высокое разрешение. Модель подходит для описания и анализа изображений, визуальных вопросов и ответов, чтения текста на изображениях, работы с несколькими изображениями и анализа видео по кадрам. Карточка описывает улучшения обучения и сохранение языковых возможностей, однако не приводит конкретных численных результатов для варианта 4B. Репозиторий использует лицензию MIT.

Dingdust/LFM2.5-VL-3B-heretic — мультимодальная модель на основе LFM2.5-VL-3B от Liquid AI, ориентированная на локальный запуск и высокую скорость обработки изображений и текста. Это плотная модель класса LFM2-VL с языковой основой LFM2.5-2.6B и визуальным энкодером SigLIP2 NaFlex; веса представлены в формате Safetensors. В карточке указаны контекст 32 768 токенов и поддержка 17 языков: арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского, вьетнамского и других перечисленных языков. Модель предназначена для диалога по изображениям, распознавания текста на страницах с сохранением структуры, поиска объектов по текстовому запросу и локального перевода надписей, например меню и дорожных знаков. В README вариант heretic описан как abliteration-модификация исходной модели: в приведённом сравнении число отказов уменьшено со 100 из 100 до 5 из 100, при KL-дивергенции 0,0168. Модель рассчитана на быстрые одношаговые задачи и локальный инференс; автор README не рекомендует её для задач с интенсивными рассуждениями или сложного анализа чертежей. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели.

Heretic-org/LFM2.5-VL-3B-heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как decensored-версия LiquidAI/LFM2.5-VL-3B с помощью Heretic v1.4.0. Она предназначена для быстрых одношаговых задач, включая распознавание объектов и их локализацию по запросу, OCR с разметкой структуры страницы, ответы на вопросы по изображениям и перевод текста на изображениях. Модель использует гибридную архитектуру LFM2-VL: языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex. По карточке базовой модели, контекст составляет 32 768 токенов; поддерживаются текст и изображения, а список языков охватывает 17 языков, включая русский. В README указано, что базовая модель рассчитана на локальный запуск и может обрабатывать изображения высокого разрешения фрагментами. Версия Heretic заметно реже отказывает в ответах, чем исходная модель: в приведённом сравнении отказы составили 6 из 100 запросов против 100 из 100 у оригинала; указано также KL divergence 0,0553. Модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями, например сложного анализа чертежей. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.

noctrex/LightOnOCR-2-1B-ocr-soup-GGUF — это набор квантованных версий модели LightOnOCR-2-1B-ocr-soup, разработанной LightOn AI. Модель предназначена для преобразования изображений в текст и задач оптического распознавания символов (OCR), включая извлечение текста из изображений. В основе лежит модель с объёмом около 2,1 млрд параметров; распространяемые файлы используют формат GGUF и различающиеся уровни квантования. В README не указаны архитектура, поддерживаемые языки, размер контекстного окна и точный набор модальностей. Для сохранения качества рекомендуется выбирать вариант в формате BF16 или F16, а среди квантованных версий — Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS или Q4_K_M в порядке убывания качества. Для мультимодального проектора mmproj рекомендуется версия F32, затем BF16 или F16. README не содержит сведений о сильных сторонах и ограничениях модели, лицензии или конкретных сценариях применения помимо OCR и преобразования изображений в текст.

thelamapi/next-ocr-i1-GGUF — GGUF-версия модели Next OCR 8B, разработанной Lamapi. Это мультимодальная модель на базе thelamapi/next-ocr, предназначенная для распознавания текста на изображениях, в документах и снимках экрана, а также для анализа визуального содержимого по текстовым инструкциям. Модель содержит около 8 миллиардов параметров и ориентирована на OCR с поддержкой математических выражений, таблиц, форм, рукописного текста и сложной структуры документов. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. В README она описывается как эффективная и компактная instruction-tuned модель для понимания документов; максимальный размер контекста и точная схема квантования GGUF не указаны. Согласно приведённым в README результатам, модель показывает высокие показатели на OCR-бенчмарках, мультиязычном распознавании, работе с таблицами, рукописным и сценовым текстом, однако методика оценки и независимое подтверждение этих результатов не представлены. Для работы требуется передавать одновременно изображение и текстовый запрос. В метаданных указана лицензия Apache-2.0, но в README также присутствует бейдж MIT, поэтому условия лицензирования следует дополнительно уточнить.

Perception Language Model (PLM) 3B — мультимодальная модель Meta для понимания изображений и видео, представленная в исследовании PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding. Архитектура сочетает визуальный энкодер с языковым декодером на 3 млрд параметров; модель поддерживает диалоговый ввод с изображениями и предназначена для детального визуального анализа, включая пространственные и временные рассуждения. Модель подходит для ответов на вопросы об изображениях и видео, чтения текста на изображениях, анализа диаграмм и графиков, описания сцен и понимания последовательности событий. Авторы сообщают об обучении без дистилляции из проприетарных моделей и о наборе из 2,8 млн примеров с человеческой разметкой для улучшения понимания видео. В карточке приведены результаты на наборах тестов для изображений и видео; они не гарантируют точность на произвольных данных. Репозиторий содержит веса в формате safetensors для использования с Hugging Face Transformers. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории и материалами проекта.

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

Qwen2-VL-OCR-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на базе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, преобразования изображений в текст и решения математических задач с выводом формул в LaTeX. Модель семейства Qwen2-VL имеет плотную архитектуру условной генерации, содержит 1,5 млрд параметров и работает с изображениями и текстовыми запросами; заявленная длина контекста — 32 768 токенов. Модель подходит для извлечения текста и формул из изображений, ответов на вопросы по визуальным материалам и диалоговой работы с изображениями. В карточке заявлена поддержка текста на английском и китайском, а также многих других языков внутри изображений. Унаследованные возможности базовой Qwen2-VL включают анализ видео, однако специальное дообучение здесь описано прежде всего для OCR и математических задач. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит независимых оценок точности именно этой версии; заявленные характеристики базового семейства не гарантируют аналогичные результаты на всех типах документов и языках.

Qwen3-VL-2B-Thinking — плотная vision-language модель семейства Qwen3-VL от Alibaba, рассчитанная на диалоговое мультимодальное понимание и рассуждение. Репозиторий содержит веса версии 2B в формате safetensors; модель работает через Transformers и распространяется по лицензии Apache-2.0. Модель принимает текст и изображения, а также предназначена для понимания видео: анализа визуальных сцен и событий, распознавания текста на изображениях, пространственных рассуждений, решения задач STEM и взаимодействия с графическими интерфейсами через инструменты. Thinking-вариант ориентирован на рассуждения; семейство также поддерживает генерацию текста и объединение текстовой и визуальной информации. Для семейства заявлен контекст 256 тыс. токенов с возможностью расширения до 1 млн, а OCR охватывает 32 языка. К сильным сторонам относятся анализ сложных визуальных сцен, документов и видео, а также работа с GUI и пространственными отношениями. В README приведены общие характеристики семейства, поэтому отдельные количественные результаты именно версии 2B не описаны; заявленные показатели контекста и OCR также относятся к семейству. Модель требует мультимодального стека Transformers и подходящих вычислительных ресурсов.

TowerVision-9B — мультимодальная языковая модель с открытыми весами от проекта TowerVision, предназначенная для работы с изображениями и текстом. Версия содержит 9 млрд параметров и основана на Unbabel/Tower-Plus-9B, соединённой с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и обрабатывает изображения вместе с текстовыми запросами, выдавая текст. Модель подходит для описания изображений, визуальных вопросов и ответов, суммаризации, анализа графиков и документов, а также мультиязычного перевода с учётом визуального и культурного контекста. В README перечислены европейские и азиатские языки, включая русский; метаданные также указывают поддержку 17 языков. Рекомендуемая точность для запуска — bfloat16. Модель поставляется в формате safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, распространения производных материалов на тех же условиях и не разрешает коммерческое использование.

Ultravox v0.6 Llama 3.3 70B — мультимодальная речевая языковая модель от Fixie.ai. Она принимает текст и речь: аудио кодируется речевым энкодером Whisper large-v3-turbo и объединяется с текстовым запросом, после чего модель формирует текстовый ответ. В основе этой версии — Llama 3.3 70B. Модель предназначена для распознавания и анализа речи, речевого перевода и создания голосовых агентов. Версия v0.6 получила расширенные данные обучения на хинди, что улучшило понимание хинди, а также обучение на зашумлённых аудиоданных. При слишком шумном аудио или отсутствии разборчивой речи модель может выдать маркер ((noise)). Поддерживаются разные языки; в карточке перечислены, в частности, английский, хинди, японский, русский и китайский. Генерация аудио не поддерживается: ответ формируется текстом. Модель распространяется по лицензии MIT.

kthierbach/unlimited-ocr-max — это порт модели baidu/Unlimited-OCR, подготовленный Константином Тирбахом для запуска через MAX и OpenAI-совместимый API. Модель предназначена для распознавания текста на изображениях и преобразования страниц в Markdown; репозиторий также описывает запуск собственного сервера и профилирование на наборе страниц. Архитектура указана как UnlimitedOCRForCausalLM, размер — 559,7 млн параметров, длина контекста — 32 768 токенов. Доступны исходные веса bf16 и вариант int8 с квантизацией routed experts; файлы весов хранятся в safetensors. Поддерживаются Metal на Apple Silicon, CUDA, ROCm и CPU. Метаданные характеризуют модель как многоязычную. Порт упрощает развёртывание через MAX, а int8-вариант предназначен для более быстрого декодирования на GPU. На CPU работа медленная; для int8 требуется GPU. Для NVIDIA указаны требования Ampere или новее, драйвер 580+ и MAX версии 0.3.1 или новее. Лицензия — MIT; README указывает, что исходные веса и файлы Baidu распространяются под MIT, а int8-веса получены из них квантизацией.

Модель IonGrozea/whisper-base_ro-80mel — версия OpenAI Whisper Base, дообученная на объединённом корпусе румынской речи объёмом около 445 часов. Она предназначена для автоматического распознавания речи и преобразования аудио в текст на румынском языке. Модель использует архитектуру Whisper и 80-канальные мел-спектрограммы; содержит 51,7 млн параметров. Валидация на 25 348 примерах общей длительностью 52,75 часа показала WER 0,1483 и CER 0,048 при декодировании с beam=5. В качестве обучающих данных указаны Echo, VoxPopuli и RODigits. Модель распространяется по лицензии Apache-2.0.

deAPI-ai/whisper-large-v3-ct2 — локальный комплект для распознавания речи на основе Whisper large-v3, подготовленный в формате CTranslate2 для работы через faster-whisper. В комплект входят распознаватель речи, выравниватели на wav2vec2 для английского и польского языков, а также опциональный компонент pyannote для определения говорящих. Компоненты разрешаются из локальной директории, без загрузки файлов во время работы. Модель предназначена для транскрибирования аудио, получения временных меток слов и символов на английском и польском языках, а также диаризации при подключении соответствующих компонентов. Whisper large-v3 обеспечивает многоязычное распознавание речи; README отдельно указывает, что точные метки времени доступны для английского и польского. Комплект распространяется по лицензии other, поэтому условия использования следует проверять в карточке репозитория.

AmirMohseni/whisper-large-v3-persian-ct2-int8 — версия Whisper large-v3, подготовленная Amir Mohseni для распознавания персидской речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка Hugging Face указывает задачу automatic-speech-recognition, язык Persian и базовые модели openai/whisper-large-v3 и AmirMohseni/whisper-large-v3-persian-bf16. Это вариант с INT8-квантованием, предназначенный для более экономичного по памяти вывода. Репозиторий относится к семейству Whisper encoder-decoder моделей OpenAI; для задачи распознавания особенно подходит персидский язык. Карточка не приводит размер модели или контекст, а также не описывает точность именно этой квантованной версии. Модель распространяется по лицензии Apache-2.0. Известное практическое ограничение: квантование может влиять на качество распознавания, но величина такого влияния для этой версии не указана.

Chandra OCR 2 NVFP4A16 — это неофициальная community-квантизация модели datalab-to/chandra-ocr-2, подготовленная пользователем dangvansam. Модель предназначена для OCR документов и PDF с сохранением структуры и разметки, включая преобразование содержимого в Markdown и обработку макета страниц. Это мультимодальная vision-language модель, принимающая изображения страниц и текстовые инструкции; поддерживает работу через vLLM с OpenAI-совместимым API и через Transformers. Вариант использует квантизацию NVFP4A16: веса линейных слоёв представлены в 4-битном формате NVFP4, а активации — в FP16. Vision tower, lm_head и отдельные компоненты attention сохранены в FP16/BF16. Размер упакованных весов составляет около 11 ГБ. Максимальная длина контекста в рекомендованной конфигурации vLLM — 16 384 токена. Основное преимущество варианта — высокая скорость при параллельной постраничной обработке на GPU архитектуры Blackwell: в приведённом тесте достигнуто около 5058 мс на страницу, что в 2,5 раза быстрее базовой версии BF16. Для последовательной обработки одного документа преимущество может быть ниже, и в README рекомендуется FP8_DYNAMIC. Модель лучше всего подходит для пакетного OCR с одновременной обработкой страниц на Blackwell GPU, включая RTX PRO 6000, B100/B200 и RTX 5090. На Hopper она запускается медленнее через программную эмуляцию, а для Ada и более старых архитектур этот формат не рекомендуется. Для работы через vLLM требуется версия не ниже 0.19.1. Модель наследует лицензию OpenRAIL-M исходной модели: разрешены исследовательское и личное использование, а также использование стартапами с доходом менее 2 млн долларов; применение в конкурирующих с API Datalab продуктах запрещено. Для более широкого коммерческого использования предлагается обратиться к условиям Datalab.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, разработанная командой DeepSeek. Это вариант модели Mixture-of-Experts, построенный на DeepSeekMoE-3B; в README указано 1,0 млрд активируемых параметров. Модель принимает изображения вместе с текстовыми запросами и предназначена для понимания визуального содержимого.

distil-large-v3-fr — французская модель распознавания речи семейства Distil-Whisper, созданная посредством дистилляции Whisper large-v3. Она предназначена для автоматической транскрибации коротких записей и длинных аудиофайлов; поддерживает последовательную обработку длинной записи для приоритета точности и обработку фрагментами для более высокой скорости. Архитектура — WhisperForConditionalGeneration, размер — около 905,2 млн параметров; модель принимает аудио и генерирует текст на французском языке. По данным README, качество на тестах вне обучающего распределения находится в пределах 2% WER от Whisper large-v3 для коротких и длинных записей, а модель работает быстрее исходной большой модели. Также её можно использовать как вспомогательную модель для спекулятивного декодирования Whisper large-v3. Для работы требуется Transformers версии 4.41 или новее. Лицензия — MIT.

DREX-062225-exp-i1-GGUF — квантизированная версия vision-модели DREX-062225-exp, разработанной prithivMLmods и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач визуального понимания, включая image captioning, оптическое и интеллектуальное распознавание символов, преобразование изображений в текст, анализ документов и таблиц. В качестве связанного набора данных указан Openpdf-Analysis-Recognition. Заявлен английский язык. Модель поддерживает работу с изображениями и текстом, однако точные сведения об архитектуре, количестве параметров и размере контекста в README не приведены. Репозиторий содержит набор вариантов квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,4 ГБ; варианты отличаются компромиссом между размером, скоростью и качеством, причём низкобитные версии могут заметно уступать по качеству. Для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0.

cyttic/exp23-directfit-unfrozen — модель с архитектурой vision-encoder-decoder, дообученная разработчиком на базе cyttic/exp22-exp2warm-directfit-frozen. Она принимает изображения и формирует текст; репозиторий помечен задачей image-text-to-text. На оценочном наборе указаны Loss 0,4588, CER 0,0245 и WER 0,0647. Данные о назначении, обучающем наборе и условиях применения в карточке не раскрыты. Модель распространяется в формате safetensors.

Это конверсия модели распознавания речи Whisper large-v3 от OpenAI в формат CTranslate2, опубликованная Systran. Она предназначена для распознавания речи из аудио и используется в CTranslate2 и проектах на его основе, включая faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно изменить через параметр compute_type. Модель поддерживает распознавание речи на многих языках, в том числе русском и английском. Репозиторий содержит конвертированные веса, а не исходную реализацию Whisper. Лицензия — MIT.

guillaumekln/faster-whisper-tiny — конверсия модели Whisper tiny от OpenAI в формат CTranslate2, подготовленная для запуска в CTranslate2 и проектах на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи; исходная модель — openai/whisper-tiny. Веса сохранены в FP16. При загрузке тип вычислений можно выбрать через параметр compute_type в CTranslate2. Репозиторий лицензирован по MIT.

Florence-2-large — модель компьютерного зрения и обработки изображений с текстовыми запросами, размещённая в сообществе Florence Community как преобразованный чекпойнт Microsoft Florence. Это продолженное предварительное обучение Florence-2-large с контекстом 4k; автор карточки предупреждает, что для продолжения использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Архитектура — последовательность-последовательность, размер исходной Florence-2-large составляет 0,77 млрд параметров; чекпойнт представлен в safetensors и рассчитан на Transformers. Модель выполняет по текстовой инструкции генерацию подписей к изображениям, обнаружение объектов, описание областей, привязку фраз к областям, предложения регионов и OCR, в том числе с координатами распознанного текста. Она подходит для анализа изображений, извлечения текста и локализации объектов в сценариях zero-shot или после дообучения. Карточка не подтверждает конкретный набор поддерживаемых языков. Лицензия — MIT.

EZCon/GLM-OCR-mlx — конвертированная для MLX версия модели GLM-OCR от zai-org. Это плотная мультимодальная модель с архитектурой GlmOcrForConditionalGeneration, предназначенная для распознавания текста и разбора содержимого изображений; поддерживает диалоговый режим и работу с изображениями. В карточке указаны восемь языков: китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors и использует библиотеку MLX; README сообщает о конвертации из zai-org/GLM-OCR с помощью mlx-vlm 0.6.12. Модель распространяется по лицензии 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.