I.15Доступность и ассистивные технологии

Kosmos-2.5 — мультимодальная модель Microsoft для чтения изображений с большим количеством текста, например документов. Она использует авторегрессионный Transformer с общим декодером и предназначена для распознавания текста на уровне документа и преобразования изображения в структурированный Markdown. Модель может выдавать текстовые блоки с пространственными координатами или сохранять структуру и оформление документа в Markdown. Модель принимает изображения и текстовые инструкции и генерирует текст. Её можно адаптировать с помощью supervised fine-tuning для других задач понимания изображений с текстом. Для запуска используется библиотека Transformers версии 4.56 или новее. Модель распространяется по лицензии MIT. Результаты распознавания и преобразования могут содержать галлюцинации, поэтому точность извлечённого текста и Markdown не гарантируется.

LightOnOCR-1B-1025 — компактная мультимодальная модель LightOnAI для распознавания текста и понимания документов по изображениям. Это плотная модель семейства Mistral3 с генеративной архитектурой LightOnOCRForConditionalGeneration; репозиторий содержит полную версию весов BF16. Модель предназначена для извлечения текста из сканов и страниц PDF, а также для работы с таблицами и формами. Модель обучена на многоязычных документах: научных статьях, книгах, чеках, счетах, таблицах и формах, включая рукописный текст. В карточке заявлены европейские языки с латинской письменностью; README характеризует вариант как многоязычный. Авторы отмечают высокую скорость и точность для своего размерного класса. Для обработки PDF рекомендуется преобразовать страницы в PNG или JPEG с максимальной стороной около 1540 пикселей, сохраняя пропорции; поддерживается обработка страниц по одной. Модель распространяется по лицензии Apache-2.0. README рекомендует BF16-вариант для инференса и дальнейшего дообучения; для обучения упомянуты LoRA и адаптация к предметным документам. В карточке также отмечено, что LightOnOCR-2 является более новой версией. Заявленные в README результаты производительности и точности приведены авторами и зависят от оборудования и условий оценки.

PaddleOCR-VL — мультимодальная модель Baidu для разбора документов по изображениям. Вариант в этом репозитории дообучен на основе baidu/ERNIE-4.5-0.3B-Paddle; метаданные указывают 318,2 млн параметров, архитектуру PaddleOCRVLForConditionalGeneration и контекст 131 072 токена. Карточка описывает семейство PaddleOCR-VL-0.9B с визуальным энкодером динамического разрешения в стиле NaViT и языковой моделью ERNIE-4.5-0.3B. Модель извлекает текст и распознаёт структурные элементы документов, включая таблицы, формулы и диаграммы. Она рассчитана на многоязычные документы, в том числе с рукописным текстом и историческими материалами; README заявляет поддержку 109 языков. В метаданных указаны английский и китайский языки. Такая модель подходит для систем оцифровки и анализа документов; карточка заявляет высокую точность и быструю работу, но не приводит здесь подробных количественных результатов. Для полной обработки документов README описывает PaddleOCR, а поддержку вывода через Transformers характеризует как ограниченную распознаванием отдельных элементов. Лицензия — Apache-2.0.

Qwen3-VL-2B-Thinking-1M-GGUF — мультимодальная vision-language модель семейства Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF со сборкой и исправлениями chat template от Unsloth. Модель предназначена для понимания и генерации текста по изображениям, анализа видео, OCR, визуального рассуждения, решения STEM- и математических задач, пространственного анализа, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель содержит около 2 млрд параметров и относится к Thinking-редакции с усиленным рассуждением. Она поддерживает текстово-визуальные входы, распознавание объектов, документов и сцен, анализ временных событий в видео, а также работу с длинным контекстом: заявлена нативная длина 256K токенов с возможностью расширения до 1M. Для архитектуры указаны механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, улучшающие обработку пространственных, визуальных и видеоданных. OCR заявлен для 32 языков. Сильные стороны модели — сочетание компактного размера, мультимодального рассуждения, расширенного контекста, анализа видео и возможностей visual agent. Ограничения связаны с меньшим размером по сравнению с крупными версиями Qwen3-VL, а также с тем, что конкретные параметры GGUF-квантизации и результаты тестов для данного файла в README не указаны. Для работы с llama.cpp рекомендуется включать параметр --jinja. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, представленная Unsloth как репозиторий весов с исправлениями шаблона чата. Она предназначена для диалога по изображениям и видео, визуального распознавания, OCR, пространственных рассуждений и взаимодействия с графическими интерфейсами через инструменты. Также поддерживает генерацию текста и решение задач STEM и математики с опорой на визуальные данные. Модель использует архитектуру Qwen3-VL MoE и распространяется в формате safetensors. В README указано контекстное окно 256 тыс. токенов с возможностью расширения до 1 млн. Заявлена поддержка OCR на 32 языках, однако их перечень в предоставленных данных отсутствует. Лицензия — Apache-2.0. В README описаны сильные стороны в понимании видео с временными метками, разборе длинных документов и мелких визуальных деталей, а также в работе с интерфейсами и пространственными отношениями. Эти заявления не сопровождаются приведёнными в карточке результатами тестирования; фактическое качество может зависеть от сценария и конфигурации запуска.

Qwen3-VL-30B-A3B-Thinking — мультимодальная модель семейства Qwen3-VL в варианте с режимом рассуждений, представленная в репозитории Unsloth как набор весов с исправлениями шаблона чата. Она принимает текст и изображения и предназначена для диалога, визуального анализа и ответов на вопросы по изображениям; карточка также описывает распознавание текста, понимание видео, пространственные рассуждения и взаимодействие с инструментами. Архитектура — Qwen3 VL MoE для условной генерации; веса опубликованы в формате safetensors, лицензия Apache-2.0. В README заявлены контекст 256K с возможностью расширения до 1M, поддержка OCR на 32 языках, анализ длительных видео, распознавание элементов интерфейса и генерация кода или схем по визуальным примерам. Эти возможности перечислены для семейства Qwen3-VL; подробные результаты тестирования именно этого набора весов в карточке не приведены. Для запуска с llama.cpp README рекомендует параметр --jinja.

FuriosaAI публикует эту сборку Qwen3-VL-32B-Thinking вместе с пакетом Furiosa Executable Bundle для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Это плотная мультимодальная модель с 32 млрд параметров: она сочетает визуальный энкодер и трансформерный декодер, использует Interleaved-MRoPE и слияние признаков DeepStack. Квантизация не применялась; веса сохраняют точность исходной модели Qwen/Qwen3-VL-32B-Thinking. Модель принимает изображения и текст, а отвечает текстом. Она предназначена для распознавания текста на изображениях, анализа документов и диаграмм, пространственных рассуждений и понимания видео. Версия Thinking формирует рассуждение перед итоговым ответом; также поддерживается вызов инструментов. README описывает запуск через Furiosa-LLM на RNGD, а также совместимость с vLLM, SGLang и Transformers. Модель выпущена под лицензией Apache 2.0. Для запуска на RNGD требуется конфигурация с 32 PE, распределёнными по четырём картам RNGD; отдельные ограничения качества в предоставленных материалах не описаны.

Qwen3-VL-32B-Thinking — плотная мультимодальная модель семейства Qwen3-VL от Qwen, предназначенная для диалога и рассуждений по тексту и визуальным данным. Репозиторий содержит веса модели для использования с библиотекой Transformers; заявлена лицензия Apache-2.0. Модель принимает изображения и текст, а также рассчитана на понимание видео, пространственных отношений, OCR и визуальных интерфейсов. Она подходит для ответов на вопросы по изображениям и видео, распознавания и разбора документов, STEM-задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. В README заявлены контекст 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержка OCR на 32 языках. Ключевые особенности включают объединение текстовой и визуальной обработки, временное позиционирование для видео и извлечение признаков на нескольких уровнях. Это вариант Thinking, ориентированный на усиленное рассуждение; качество и скорость на конкретных задачах зависят от сценария и реализации. Описание не приводит результаты бенчмарков или подробные ограничения применения.

unsloth/Qwen3-VL-8B-Thinking-1M-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-8B-Thinking, подготовленная Unsloth на базе Qwen/Qwen3-VL-8B-Thinking. Модель предназначена для задач «изображение-текст»: анализа изображений и видео, генерации текста, визуального рассуждения, OCR, пространственного понимания и мультимодальных задач в STEM и математике. Thinking-редакция ориентирована на более глубокое рассуждение и доказательные ответы. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает текст, изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с длинными документами и многочасовыми видеозаписями. Среди архитектурных улучшений указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения признаков разных уровней Vision Transformer и выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — визуальное восприятие, анализ пространственных отношений и видео, распознавание текста в сложных условиях, мультимодальное рассуждение, а также возможности visual agent для взаимодействия с графическими интерфейсами и инструментами. Ограничения включают высокие требования к вычислительным ресурсам при работе с длинным контекстом, изображениями и видео, а также зависимость качества и совместимости от GGUF-квантизации и используемого движка. Для llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Лицензия — Apache-2.0.

Карточка модели MUFFDUNCAN/Unlimited-OCR-Universal на Hugging Face совпадает с карточкой sabafallah/Unlimited-OCR-Universal, поэтому описание составлено по ней. sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

XCurOS-OCR-GGUF — версия в формате GGUF модели XCurOS-OCR, разработанной XCurOS. Это компактная vision-language-модель на 0,9 млрд параметров для распознавания текста и анализа документов по изображениям. Репозиторий содержит веса декодера и отдельный vision projector, необходимый для обработки изображений; модель запускается локально через llama.cpp на CPU или GPU. Модель предназначена для OCR документов, распознавания формул, таблиц, рукописного текста и кода, а также разбора структуры страниц. README приводит результаты на нескольких бенчмарках и характеризует качество как близкое к более крупным OCR-системам при работе на обычном CPU. Указана поддержка английского, китайского и других языков; конкретная длина контекста не приводится. Веса опубликованы в формате GGUF F16 без квантизации. Для использования требуется совместимая сборка llama.cpp и vision projector. Лицензия — MIT.

Zen Designer GGUF — мультимодальная модель семейства Zen от Hanzo AI и Zoo Labs Foundation, дообученная на основе Qwen/Qwen3-VL-235B-A22B-Instruct, обработанная методом abliteration и выпущенная в формате GGUF. Это MoE-модель на 235 млрд параметров, из которых активно 22 млрд; заявленная длина контекста — 256 тыс. токенов. В репозитории указаны варианты квантизации Q2_K и Q4_K_M, а метаданные также отмечают GGUF F16. Модель предназначена для диалогов и анализа изображений, видео, документов, диаграмм, таблиц и интерфейсов, включая OCR, пространственное понимание и навигацию по GUI. README сообщает о поддержке временных рассуждений по видео и визуального определения областей. Поддерживаемые языки по метаданным: английский, китайский, японский, корейский, французский, немецкий, испанский, португальский, итальянский и русский; в карточке отдельно не выделен основной язык. Abliteration удаляет заложенные в весах отказы, поэтому поведение модели может быть менее безопасным; автор рекомендует задавать правила поведения на уровне приложения. Для локального запуска предлагается llama.cpp с отдельным файлом mmproj для визуального ввода. Модель распространяется по лицензии Apache-2.0.

DeepSeek-OCR — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она предназначена для извлечения текста из визуальных материалов, включая страницы документов; README также указывает поддержку обработки PDF через vLLM. Модель основана на архитектуре DeepSeek-VL2 и содержит 559,7 млн параметров. Она принимает изображения и текстовые запросы, а результат формирует в виде текста; заявлен контекст до 8192 токенов и многоязычная поддержка. В качестве среды запуска README описывает Transformers на GPU NVIDIA, а также отмечает поддержку vLLM. Модель доступна по лицензии MIT. README не приводит подробных оценок качества и перечня поддерживаемых языков, поэтому применимость к конкретному языку или типу документа следует проверять на собственных данных.

Thien0103 дообучил модель microsoft/trocr-base-stage1 на наборе данных, который в карточке не описан. Это модель архитектуры VisionEncoderDecoder для распознавания текста на изображениях; карточка указывает задачу image-text-to-text и поддержку обработки изображений. Модель подходит для извлечения текста с изображений и сканированных документов. Подробности о данных, обозначенных в названии направлениях распознавания, а также результаты оценки в карточке не приведены. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

Карточка модели xiaofeng123456/faster-whisper-small на Hugging Face совпадает с карточкой Systran/faster-whisper-small, поэтому описание составлено по ней. Systran/faster-whisper-small — конверсия модели openai/whisper-small в формат CTranslate2, опубликованная для использования с CTranslate2 и проектами на его основе, включая faster-whisper. Это модель распознавания речи, которая преобразует аудио в текст и поддерживает распознавание речи на множестве языков, включая русский и английский. Веса сохранены в FP16; при загрузке через CTranslate2 тип вычислений можно выбирать с помощью параметра compute_type. Репозиторий предназначен для эффективного запуска Whisper в совместимых инструментах. Модель распространяется по лицензии MIT.

LightOnOCR-2-1B-base — базовая версия компактной мультимодальной модели LightOn для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3 с 1 млрд параметров, предназначенная для преобразования страниц PDF, сканов и изображений в чистый текст с естественным порядком чтения. Она поддерживает OCR документов, включая таблицы и формы, и рассчитана на дообучение под специализированные сценарии. Модель описана как чекпойнт до этапа RLVR с сильными возможностями OCR. Её можно адаптировать с помощью LoRA или полного дообучения для обработки чеков, научных статей и форм, а также для многоязычных корпусов. В версии LightOnOCR-2 улучшены обработка французского текста, arXiv-документов, сканов, LaTeX и нормализация. В README заявлены высокая скорость и результаты на OlmOCR-Bench, но подробная методика приведена в статье. Для работы указаны Transformers и предварительный рендеринг страниц PDF в PNG или JPEG; рекомендованный максимальный размер длинной стороны — 1540 пикселей. Модель принимает изображения и выдаёт текст. Поддерживаемые языки: английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, шведский, датский, китайский и японский. Репозиторий распространяется по лицензии Apache-2.0.

LightOnOCR-2-1B-ocr-soup — объединённая версия модели LightOnOCR-2 от LightOnAI. Это плотная vision-language-модель семейства Mistral3 с 1 млрд параметров, предназначенная для преобразования страниц документов в текст с сохранением естественного порядка чтения. Она принимает изображения страниц, в том числе отрисованные из PDF, и подходит для распознавания сканов, таблиц, форм, научных статей и LaTeX. Вариант ocr-soup объединяет базовый чекпойнт с весами, обученными методом RLVR, с помощью слияния task arithmetic; авторы заявляют о более стабильной работе на сложных категориях документов. Для LightOnOCR-2 также заявлены улучшенное покрытие французских документов, arXiv и сканов, а также более чистая нормализация текста. Модель рассчитана на работу через Transformers, поддерживает визуальный ввод и диалоговый интерфейс; для использования требуется версия Transformers, установленная из исходного кода. В карточке приведены сравнительные заявления о скорости и результатах на OlmOCR-Bench, но подробности методики отнесены к статье. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Для подготовки PDF рекомендуется отрисовывать каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей; качество может зависеть от рендеринга и сложности документа.

MiniCPM-V 4.0 — мультимодальная языковая модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. В карточке указаны 3,2 млрд параметров, контекст 32 768 токенов, архитектура MiniCPMV и библиотека Transformers; README описывает основу из SigLIP2-400M и MiniCPM4-3B, но приводит другой общий размер — 4,1 млрд параметров. Модель предназначена для распознавания содержимого изображений и видео, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также понимания нескольких изображений. README подчёркивает эффективность для запуска на мобильных устройствах; поддерживаются локальное использование и интеграция с несколькими средами инференса. Метаданные указывают мультиязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Ограничения: ответы могут содержать ошибки, а сама модель не выражает личных мнений и не выполняет ценностные суждения; заявленные в README результаты основаны на оценках авторов.

NaviDC-OCR — специализированная компактная мультимодальная модель StarDoc-AI для разбора цифровых документов и фотографий документов. Она построена на архитектуре Qwen2.5-VL и предназначена для извлечения текста и структуры, включая таблицы, формулы и порядок чтения. Метаданные указывают 507,9 млн параметров и контекст до 128 000 токенов; README приводит оценку размера 1,2 млрд параметров, поэтому сведения о размере расходятся. Модель принимает изображения документов и формирует текстовый результат разбора. В README заявлена устойчивость к геометрическим искажениям фотографий без предварительного выравнивания, а также приведены результаты на нескольких бенчмарках. Карточка позиционирует её как лёгкую модель для практического развёртывания; фактическое качество может зависеть от типа документа и условий съёмки. Поддерживаемые языки по метаданным — китайский, английский и японский. Лицензия — Apache-2.0.

olmOCR-7B-0725 — модель Allen Institute for AI, дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для распознавания текста и извлечения содержимого из изображений документов; для масштабной обработки авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает эффективный инференс с помощью sglang. Модель использует мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает изображение одного документа. В README рекомендовано подавать его с максимальной стороной 1288 пикселей. Метаданные указывают контекст длиной до 128 000 токенов; модель работает с текстом и изображениями, а в качестве основного сценария заявлена обработка документов. Лицензия — Apache-2.0.

Phi-3.5-vision-instruct — мультимодальная модель Microsoft семейства Phi-3.5 с плотной архитектурой Phi3V и 3,7 млрд параметров. Она принимает текст и изображения и генерирует текст; предназначена для диалоговых приложений, которым нужно понимать изображения, документы, диаграммы и таблицы, сравнивать несколько изображений и суммировать видеоклипы по кадрам. Модель рассчитана на сценарии с ограничениями по памяти и задержке. В README заявлен контекст до 128 тысяч токенов, тогда как метаданные каталога указывают 4096 токенов. Модель обучалась на синтетических данных и отфильтрованных общедоступных веб-источниках; для улучшения следования инструкциям применялись supervised fine-tuning и direct preference optimization. README ориентирует её на коммерческое и исследовательское применение, прежде всего на английском языке, и отмечает возможности OCR, визуального рассуждения и понимания нескольких кадров. Выпущена под лицензией MIT. Качество может быть ниже для языков, отличных от английского, и для недостаточно представленных вариантов английского. Microsoft предупреждает, что модель может быть неточной, ненадёжной, несправедливой или выдавать оскорбительные ответы; для конкретных сценариев требуется оценка, особенно в областях высокого риска.

wangkanai/qwen2.5-vl-7b-instruct — мультимодальная instruction-tuned модель семейства Qwen 2.5, опубликованная пользователем wangkanai. Она предназначена для анализа изображений и генерации текстовых ответов в сценариях визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа графиков и диаграмм, а также мультимодального диалога и других задач image-to-text. Модель построена на архитектуре Qwen2.5-VL с vision-language Transformer и ViT-ориентированным визуальным энкодером, содержит около 7 миллиардов параметров и принимает текст и изображения в форматах JPEG, PNG и WebP, возвращая естественный язык. Заявленная длина контекста составляет 4096 токенов с учётом текста и изображения. Доступны варианты FP16 SafeTensors и GGUF, включая квантованные Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сочетание визуального понимания, следование инструкциям и поддержка разнообразных мультимодальных задач. Ограничения включают относительно короткий заявленный контекст, зависимость требований к ресурсам от формата и возможные потери качества при квантовании. Это abliterated-версия с уменьшенными или удалёнными ограничениями на отказы, поэтому её ответы могут быть менее безопасными и требуют дополнительного контроля при использовании. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2.5-VL-7B-Instruct-bnb-4bit — квантизированная 4-битная версия instruction-tuned мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, распознавания текста, документов, таблиц, графиков, схем и макетов, а также формирования структурированных данных. Она также ориентирована на визуальную локализацию объектов, работу с интерфейсами компьютеров и мобильных устройств и агентские сценарии с использованием инструментов. Модель объединяет vision encoder и языковую модель, имеет около 7 миллиардов параметров и поддерживает динамическое разрешение изображений и частоту кадров видео. Она способна анализировать длинные видео длительностью более часа и указывать релевантные временные сегменты. Архитектурные улучшения включают оконное внимание в ViT, а также использование SwiGLU и RMSNorm в vision encoder. В README явно указан английский язык; поддержка других языков для этой версии не уточняется. Сильные стороны модели — обработка документов и OCR, понимание диаграмм и таблиц, визуальное рассуждение, локализация объектов с помощью bounding boxes или точек и выдача стабильных JSON-структур. Ограничения включают высокие требования к вычислительным ресурсам по сравнению с компактными моделями, зависимость видеообработки от корректной поддержки инструментов и отсутствие в README подробных данных о точном размере контекста и системных требованиях для 4-битной сборки. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-1M-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen и представленная в формате GGUF с динамической квантизацией Unsloth Dynamic 2.0. Репозиторий основан на Qwen3-VL-2B-Instruct и предназначен для запуска и инференса через совместимые инструменты, включая llama.cpp и Transformers. Модель принимает текст и изображения, а также ориентирована на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа документов, STEM- и математического рассуждения, пространственного анализа, генерации кода и взаимодействия с графическими интерфейсами и инструментами. Заявлены поддержка контекста 256K с возможным расширением до 1M токенов, улучшенное понимание длительных видео и OCR на 32 языках; конкретный перечень языков в README не приведён. Архитектурно модель использует плотную конфигурацию с примерно 2 млрд параметров, а среди ключевых компонентов указаны Interleaved-MRoPE для временных и пространственных позиций, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Сильными сторонами являются сочетание текстового и визуального понимания, работа с длинным контекстом, документами, видео и пространственными отношениями. Ограничения включают небольшой по современным меркам размер, возможные потери качества из-за квантизации и отсутствие в README подробных количественных результатов, точного списка языков и требований к аппаратному обеспечению. Лицензия — Apache-2.0.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель с 4 млрд параметров из семейства Qwen3-VL, опубликованная FuriosaAI в виде сборки для Furiosa-LLM и RNGD. Репозиторий содержит веса Qwen/Qwen3-VL-4B-Thinking и исполняемый пакет Furiosa; модель также поддерживается другими фреймворками инференса. Модель принимает изображения и текст, а отвечает текстом. Визуальный энкодер и трансформерный декодер используют позиционные эмбеддинги Interleaved-MRoPE и слияние признаков DeepStack. Она предназначена для распознавания текста на изображениях, анализа документов и диаграмм, пространственных рассуждений и понимания видео; поддерживает вызов инструментов. Версия Thinking формирует явный ход рассуждений перед итоговым ответом. Для запуска через Furiosa-LLM модель рассчитана на ускоритель FuriosaAI RNGD, где использует тензорный параллелизм на 8 вычислительных элементах одной карты. Квантизация не применялась, используются веса в точности исходной модели. Лицензия — Apache-2.0. Длина контекста и список поддерживаемых языков в предоставленных данных не приводятся.

TeleOCR — компактная мультимодальная модель StarDoc-AI для разбора документов по изображениям. В метаданных указаны архитектура Qwen2.5-VL, 507,9 млн параметров, контекст 128 000 токенов и библиотека Transformers; README описывает модель как примерно 1,2-миллиардную. Эти сведения о размере расходятся между источниками. Модель предназначена для извлечения текста и структуры из цифровых и снятых камерой документов, включая искажённые страницы, таблицы и формулы. В README заявлены геометрически ориентированное моделирование, автоматическая генерация и проверка обучающих данных и поэтапное обучение. Модель принимает изображения документов и формирует текстовый разбор; в метаданных также отмечена поддержка чата. Заявлены результаты на нескольких тестах разбора документов, но они приведены авторами и сами по себе не гарантируют качество на конкретных данных. Модель опубликована под лицензией Apache-2.0. Для запуска README предлагает Transformers, PyTorch и Pillow; для полного разбора документов авторы отсылают к отдельному репозиторию.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора длинных документов по изображению. Разработчики позиционируют её как модель для сквозного парсинга с одного прохода и называют развитием DeepSeek-OCR. Архитектура — плотная авторегрессионная модель для причинной генерации, объём — 559,7 млн параметров; модель опубликована в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для OCR и извлечения содержимого из изображений и документов, включая длинные материалы; в карточке также заявлена задача генерации текста. Указана многоязычная поддержка, но конкретные языки не перечислены. Модель доступна для запуска через Transformers, vLLM и SGLang. Лицензия — MIT. README не приводит количественных оценок качества или подробностей ограничений; применимость к конкретным языкам и типам документов следует проверять на собственных данных.

Unlimited-OCR — мультимодальная модель оптического распознавания символов, разработанная авторами проекта при поддержке команды Baidu Cloud. Она предназначена для распознавания и разбора текста на изображениях, в том числе для длинных документов и сценариев, где требуется обработать содержимое за один проход. Модель имеет плотную архитектуру UnlimitedOCRForCausalLM и содержит 559,7 млн параметров; заявленное контекстное окно — 32 768 токенов. Поддерживает работу через Transformers, vLLM и SGLang. Модель принимает изображения и формирует текстовый результат, а также может использоваться для генерации текста. Карточка характеризует её как мультиязычную, но конкретные языки не перечислены. Репозиторий распространяется в формате safetensors по лицензии MIT. Практические требования включают совместимое GPU-окружение; README приводит конфигурации на базе CUDA.

OpenVINO/whisper-medium-fp16-ov — модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Она предназначена для транскрибации аудиозаписей в текст и поддерживает работу через Optimum Intel, OpenVINO GenAI и OpenVINO Model Server, включая интеграцию с OpenAI-совместимым клиентом. Модель основана на whisper-medium; в README не указаны её точный размер и архитектурные параметры. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, французский, японский и многие другие. Конкретный размер контекста и дополнительные модальности не указаны. Ключевая особенность версии — совместимость с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше, что позволяет запускать инференс на поддерживаемых CPU и GPU. Сильными сторонами являются широкая языковая поддержка, оптимизированное представление OpenVINO IR и возможность развертывания локально или через серверную инфраструктуру. Ограничения и особенности качества следует уточнять в исходной карточке whisper-medium, на которую ссылается README. Модель распространяется по лицензии Apache-2.0.

Felix92/doctr-torch-crnn-mobilenet-v3-large-french — модель распознавания текста на изображениях, основанная на CRNN с энкодером MobileNetV3-Large и предназначенная для использования с библиотекой docTR. Карточка позиционирует её как OCR-модель; метаданные указывают форматы PyTorch и задачу image-to-text. Модель подходит для извлечения текста из изображений и документов. В названии указана специализация на французском языке, а метаданные также отмечают английский и многоязычную поддержку. Сведений о размере, длине контекста и лицензии в предоставленных источниках нет.