I.15Доступность и ассистивные технологии

Карточка модели dots-studio/dots.ocr.base на Hugging Face совпадает с карточкой dots-studio/dots.ocr, поэтому описание составлено по ней. dots.ocr — мультиязычная модель разбора документов от команды dots. Она объединяет распознавание текста и анализ структуры страницы в одной плотной vision-language архитектуре на 1,5 млрд параметров; метаданные указывают контекст длиной 131 072 токена. Модель принимает изображения страниц и может выдавать распознанный текст, порядок чтения и структурированные данные о расположении элементов, включая координаты и категории. В README заявлена поддержка документов на разных языках, а метаданные карточки отмечают английский и китайский. Модель предназначена для OCR и разбора страниц документов: определения макета, извлечения текста и обработки таблиц и формул. Она рассчитана на сценарии, где нужен единый этап распознавания и структурирования вместо цепочки отдельных моделей; для обработки PDF README рекомендует растрировать страницы с разрешением около 200 DPI. Указана лицензия MIT. Ограничения включают неточный разбор сложных таблиц и формул, отсутствие разбора содержимого изображений внутри документов и возможные сбои на страницах с высокой плотностью символов. Непрерывные специальные символы могут вызывать зацикливание вывода; модель также пока не оптимизирована для высокопроизводительной пакетной обработки больших объёмов PDF.

GLM-4.5V-FP8 — мультимодальная vision-language модель, разработанная ZhipuAI на базе текстовой модели GLM-4.5-Air. Она предназначена для анализа изображений, видео и документов, визуального рассуждения, понимания интерфейсов и задач GUI-агента, а также точной локализации объектов на изображениях. Модель поддерживает китайский и английский языки и работает через библиотеку Transformers. Модель имеет архитектурную основу GLM-4.5-Air с 106 млрд параметров, из которых 12 млрд активны, и представлена в формате FP8. Она поддерживает режим Thinking Mode для выбора между быстрыми ответами и углублённым рассуждением, умеет выполнять анализ сцен и нескольких изображений, распознавать события в длинных видео, разбирать сложные графики и длинные документы, а также возвращать координаты ограничивающих рамок объектов в нормализованном формате. Заявлена высокая эффективность на 42 публичных vision-language бенчмарках среди моделей сопоставимого масштаба. Ограничения, включая размер контекста, перечень поддерживаемых форматов и требования к ресурсам, в README не указаны. Модель распространяется по лицензии MIT.

Kimi-VL-A3B-Thinking — мультимодальная модель Moonshot AI для анализа изображений и текста с расширенными возможностями рассуждения. Это вариант Kimi-VL-A3B-Instruct, дообученный с помощью supervised fine-tuning на длинных цепочках рассуждений и обучения с подкреплением. Архитектура сочетает MoE-языковую модель, визуальный энкодер MoonViT с обработкой изображений в исходном разрешении и MLP-проектор. Всего в модели около 16 млрд параметров, из них при работе активируется примерно 3 млрд. Модель предназначена для визуальных вопросов и ответов, понимания диаграмм и документов, OCR, математических задач по изображениям и мультимодального рассуждения. Она поддерживает контекст до 128 тыс. токенов и рассчитана на диалоговый сценарий. README рекомендует для задач с длительным рассуждением повышать температуру генерации; также отмечено, что существует более новая версия Kimi-VL-A3B-Thinking-2506. Лицензия — MIT.

Qianfan-VL-70B — мультимодальная модель компании Baidu для работы с изображениями и текстом. Она сочетает языковую модель архитектуры Llama 3.1 с визуальным энкодером на основе InternViT и обучена для общих мультимодальных задач с усиленными возможностями распознавания текста и анализа документов. Модель рассчитана на контекст до 32 тысяч токенов и поддерживает динамическое разбиение изображений на фрагменты с разрешением до 4K. Она подходит для распознавания рукописного и печатного текста, извлечения структуры документов, анализа таблиц и графиков, ответов на вопросы по изображениям, а также визуальных и математических рассуждений. Опциональный режим Layout-as-Thought формирует промежуточное структурированное представление расположения элементов и порядка чтения. Модель принимает текст и изображения и выдаёт текстовые ответы; заявленная поддержка языков включает китайский и английский. README приводит сравнительные результаты на нескольких мультимодальных бенчмарках, но эти показатели не гарантируют качество на конкретных данных. Модель распространяется по лицензии MIT. Она имеет 70 млрд параметров, поэтому для развёртывания требуются значительные вычислительные ресурсы.

unsloth/Qwen2.5-VL-3B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в репозитории Unsloth. Это 3B-версия модели Qwen2.5-VL-3B-Instruct, распространяемая в 4-битном формате bnb-4bit для более экономичного использования памяти. Модель предназначена для обработки изображений и видео вместе с текстовыми запросами. Она распознаёт и анализирует объекты, текст, таблицы, графики, иконки и структуру документов, поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, генерацию структурированных данных из счетов, форм и таблиц, а также сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Для видео заявлена способность анализировать материалы длительностью более часа и находить релевантные временные отрезки. В метаданных README указан английский язык. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамические разрешение и частота кадров, а также временные позиционные идентификаторы mRoPE. К сильным сторонам относятся компактный размер, мультимодальное понимание документов и визуальных сцен, структурированный вывод и поддержка длительных видео. Ограничения включают меньшую ёмкость по сравнению с версиями на 7B и 72B параметра, возможное снижение точности из-за 4-битной квантизации и отсутствие в README данных о размере контекста, системных требованиях и подробном перечне языков. Модель указана под лицензией qwen-research; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-3B-Instruct.

unsloth/Qwen2-VL-2B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель, основанная на Qwen/Qwen2-VL-2B-Instruct и опубликованная Unsloth. Она предназначена для обработки изображений, видео и текста, визуального вопросно-ответного взаимодействия, анализа документов и сцен, а также сценариев, где требуется принимать решения на основе визуальной информации и текстовых инструкций. Модель содержит 2 миллиарда параметров и распространяется в 4-битном формате bnb. Она поддерживает динамическое разрешение изображений, преобразуя изображения в переменное число визуальных токенов, и использует Multimodal Rotary Position Embedding (M-ROPE) для обработки текстовых, двумерных визуальных и трёхмерных видеопозиционных данных. Заявлена поддержка понимания видео длительностью более 20 минут и распознавания текста на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Сильные стороны модели — сочетание компактного размера, 4-битного квантования и мультимодальных возможностей, включая анализ изображений высокого разнообразия разрешений и пропорций, документов и видео. Ограничения, включая возможные потери качества из-за квантования и отсутствие в карточке подробных характеристик контекстного окна, производительности и требований к оборудованию, следует учитывать при выборе модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели hararh/Qwen-VL на Hugging Face совпадает с карточкой Qwen/Qwen-VL, поэтому описание составлено по ней. Qwen-VL — крупная визуально-языковая модель Alibaba Cloud из семейства Qwen. Она принимает изображения, текст и ограничивающие рамки, а выдаёт текст и рамки; версия в репозитории описана как предварительно обученная модель, при этом карточка также упоминает отдельную диалоговую версию Qwen-VL-Chat. Модель содержит 11,4 млрд параметров, использует плотную архитектуру QWenLMHeadModel, работает с PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для диалога по изображениям, генерации описаний, визуальных вопросов и ответов, распознавания текста на изображениях, включая документы и диаграммы, а также поиска объектов по текстовому описанию с выдачей рамок. В карточке указаны многоязычные диалоги и многоязычная оценка на китайском и английском языках. Разрешение обработки изображений повышено до 448 пикселей, что помогает решать задачи распознавания текста и визуальных вопросов без разбиения изображения. README сообщает о сильных результатах на нескольких общих визуально-языковых бенчмарках, но они относятся к оценкам разработчика. Модель может ошибаться в распознавании деталей изображения и текста; карточка не описывает ограничения подробнее. Условия лицензии в предоставленных данных не указаны.

Модель see-k/unsloth_finetune — дообученная see-k версия DeepSeek-OCR, обученная с использованием Unsloth и библиотеки TRL от Hugging Face. Это мультимодальная модель семейства DeepseekOCR с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Она предназначена для работы с изображениями и текстом в сценариях распознавания текста и извлечения содержимого из изображений документов; также поддерживает диалоговый режим. Указанная длина контекста — 8192 токена. Репозиторий содержит веса в форматах safetensors и GGUF F16. Лицензия — Apache-2.0.

Карточка модели jsdkkdkxkxxk/DeepSeek-OCR на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR, поэтому описание составлено по ней. 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.

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

DeepSeek-VL-7B-Chat — мультимодальная модель понимания изображений и текста, разработанная командой DeepSeek. Это версия с инструкционным дообучением на основе DeepSeek-VL-7B-Base; базовая модель использует языковую основу DeepSeek-LLM-7B-Base и гибридный визуальный энкодер SigLIP-L и SAM-B. Модель принимает изображения размером до 1024 × 1024 вместе с текстовыми запросами и формирует текстовые ответы. Модель предназначена для диалога по изображениям и решения задач визуально-языкового понимания: анализа логических диаграмм и веб-страниц, распознавания формул, чтения научной литературы, описания естественных изображений и понимания сложных сценариев. Веса опубликованы в формате safetensors. В метаданных указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

en_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она распознаёт английский текст и возвращает его в виде строки; модель можно использовать как модуль распознавания в конвейере OCR, вместе с обнаружением текста и дополнительными модулями ориентации и выравнивания изображения. Для модели указана точность 85,3% по метрике, при которой строка считается ошибочной, если в ней неверен хотя бы один символ или знак препинания. Мобильный вариант предназначен для эффективного распознавания, однако характеристики скорости и размер модели в карточке не приведены. Репозиторий распространяется по лицензии Apache-2.0.

zeromodels/gemma-4-12b-it — конверсия Gemma 4 12B Instruct в формате Keras 3 от zeromodels. Модель содержит около 11,95 млрд параметров и представлена в bfloat16; реализация запускается на TensorFlow, PyTorch и JAX. Вариант предназначен для генерации ответов по тексту, изображениям и аудио: принимает эти типы входных данных и выдаёт текст. Доступен также текстовый режим. В README указано окно скользящего внимания 1024 токена; это не следует трактовать как полный размер контекста. Модель унаследована от google/gemma-4-12B-it и распространяется по лицензии Apache 2.0.

GLM-4.6V-FP8 — мультимодальная модель семейства GLM-V, разработанная организацией zai-org (Z.ai). Репозиторий содержит FP8-версию модели GLM-4.6V с 106 млрд параметров, предназначенную преимущественно для облачной инфраструктуры и высокопроизводительных кластеров. Заявлены поддерживаемые языки Chinese и English, библиотека Transformers и сценарий image-text-to-text. Модель предназначена для анализа изображений, скриншотов и страниц документов вместе с текстом, понимания длинных и визуально сложных документов, работы с таблицами, графиками и макетами, а также для мультимодальных агентов. Она поддерживает контекст до 128K токенов, нативный Function Calling с передачей визуальных данных инструментам и интерпретацией визуальных результатов, генерацию смешанного изображения и текста, а также восстановление HTML/CSS по скриншотам интерфейсов и их редактирование по инструкциям на естественном языке. К сильным сторонам относятся масштабный контекст, объединённое понимание текста и визуального содержимого, возможность связывать восприятие с вызовом инструментов и заявленная высокая эффективность в задачах визуального понимания среди моделей сопоставимого размера. При этом разработчики отмечают, что возможности ответов на чисто текстовые вопросы всё ещё нуждаются в улучшении; также ранее наблюдавшиеся повторяющиеся рассуждения и ошибки форматирования были лишь частично смягчены. Модель распространяется по лицензии MIT.

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.

GutenOCR-7B — мультимодальная модель для распознавания текста и поиска его областей в документах. Она создана разработчиками GutenOCR путём дообучения Qwen2.5-VL-7B и объединяет чтение, обнаружение текста и визуальную привязку в одном чекпойнте с интерфейсом на основе запросов. Модель обрабатывает целые страницы и отдельные области: извлекает текст с сохранением структуры строк, может выдавать Markdown или JSON, находит текстовые фрагменты и возвращает ограничивающие рамки на уровне строк и абзацев. Поддерживаются условные запросы вида «где находится этот текст?», включая поиск математических фрагментов. Обучение проводилось на деловых документах, научных статьях и синтетических данных для визуальной привязки. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Модель доступна в формате Safetensors и использует библиотеку Transformers. Карточка сообщает об улучшениях на отложенных тестах OCR по сравнению с базовой моделью, однако конкретные метрики в предоставленном описании отсутствуют. Для соблюдения ожидаемых форматов вывода модель полагается на системный промпт, автоматически добавляемый шаблоном чата. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

InternVL2-4B — мультимодальная инструктивно настроенная модель OpenGVLab для диалога по изображениям и тексту. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Phi-3-mini-128k-instruct; размер модели в карточке указан как 4,2 млрд параметров. Модель доступна через Transformers, веса опубликованы в формате Safetensors по лицензии MIT. Модель предназначена для понимания изображений и видео, ответов на вопросы о визуальном содержимом, чтения документов и диаграмм, OCR, решения научных и математических задач с изображениями. Она также принимает несколько изображений в одном запросе. Обучение проводилось с контекстом 8 тысяч токенов и данными с длинными текстами, несколькими изображениями и видео. Карточка сообщает о конкурентных результатах на тестах понимания документов, диаграмм, сценического текста и видео, но эти оценки зависят от конкретных бенчмарков и не гарантируют качество в каждом сценарии. Для видео в описанных тестах использовалось извлечение 16 кадров с изменением размера до 448×448; это не свидетельствует о полноценной обработке непрерывного видеопотока. В метаданных отмечена многоязычность, но конкретный перечень языков не приведён.

InternVL-Chat-V1-2 — мультимодальная большая языковая модель от OpenGVLab для диалога по изображениям и тексту. Она объединяет vision-энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель опубликована в формате safetensors и предназначена для запуска через Transformers с поддержкой пользовательского кода модели. Модель отвечает на вопросы об изображениях, описывает их и обрабатывает визуальные инструкции. В обучающие данные включены примеры OCR, диаграмм, графиков, документов и научных иллюстраций; также поддерживается обычный текстовый диалог. Изображения обрабатываются с размером 448 × 448 пикселей и представляются 256 визуальными токенами. Карточка характеризует языковую часть как многоязычную, но не перечисляет конкретные языки. В README приведены сравнительные результаты на наборах тестов для визуальных вопросов и понимания изображений. Для запуска нужны значительные вычислительные ресурсы, соответствующие модели на 40 млрд параметров. В README отдельно предупреждают, что 4-битная квантизация BNB может привести к потере понимания изображений и бессмысленным ответам. Лицензия модели — MIT.

InternVL-Chat-V1-5 — мультимодальная диалоговая модель OpenGVLab, объединяющая визуальный кодировщик InternViT-6B-448px-V1-5, MLP-проектор и языковую модель InternLM2-Chat-20B. В модели 25,5 млрд параметров; она использует динамическую обработку изображений: делит изображение на фрагменты 448 × 448 пикселей и поддерживает входы вплоть до разрешения 4K. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, распознавания текста и анализа документов, диаграмм и графиков. Обучающий набор включает английские и китайские пары вопросов и ответов; метаданные указывают поддержку многоязычия. Модель доступна через Transformers и распространяется по лицензии MIT. В README отмечены сильные стороны в задачах визуального понимания, OCR и работе с китайским текстом. Ограничения включают возможные предвзятые или вредоносные ответы, а также ухудшение понимания изображений при 4-битной квантизации bitsandbytes; авторы рекомендуют избегать этого режима.

LightOnOCR-2-1B-bbox — компактная зрительно-языковая модель LightOn на 1 млрд параметров для извлечения текста и координат областей с изображений документов. Она обрабатывает страницы PDF, сканы и фотографии как изображения и выдаёт текст в естественном порядке вместе с точными ограничивающими рамками; для уточнения локализации модель дообучена с помощью RLVR и вознаграждения на основе IoU. Модель предназначена для OCR и разбора документов, включая формы, таблицы и страницы с изображениями. В карточке отмечены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Авторы сообщают о высокой скорости и результатах на OlmOCR-Bench, однако приведённые сравнения не содержат полного описания условий и методики; для работы с PDF страницы следует предварительно преобразовать в изображения, сохранив пропорции и ориентируясь на размер длинной стороны 1540 пикселей. Модель построена на архитектуре Mistral3 и распространяется в формате safetensors. Для запуска авторы указывают Transformers, установленный из исходного кода, а также Pillow и pypdfium2. Лицензия — Apache-2.0.

Maya — модель зрения и языка, разработанная сообществом Cohere For AI. Она объединяет архитектуру LLaVA, языковую модель Aya-23 8B и визуальный энкодер SigLIP. Модель содержит 8 млрд параметров, принимает изображения и текст, а длина контекста составляет 8 тысяч токенов. Maya предназначена для многоязычных вопросов и ответов по изображениям, создания подписей, визуальных рассуждений и понимания документов. Она поддерживает английский, китайский, французский, испанский, русский, японский, арабский и хинди; обучение проводилось на наборе из 558 тысяч изображений с многоязычными аннотациями. Разработчики уделяли внимание культурной чувствительности и фильтрации токсичного контента. Качество зависит от языка, задачи и качества изображения; модель может упускать тонкие культурные нюансы и сохранять предубеждения из обучающих данных. Она не предназначена для критически важных решений. Лицензия — Apache 2.0.

Nanonets-OCR2-1.5B-exp — экспериментальная модель Nanonets для преобразования изображений документов в структурированный Markdown. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL; модель содержит около 982,1 млн параметров, принимает изображения и текстовые запросы и генерирует текст. Контекст — до 32 768 токенов. Модель распознаёт печатный и рукописный текст на разных языках, извлекает сложные таблицы, формулы с разметкой LaTeX, водяные знаки и подписи, описывает изображения в документах и передаёт схемы в Mermaid. Также она отвечает на вопросы по содержимому документа, а если ответа там нет, должна сообщить, что сведения не упоминаются. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц результат зависит от настроек генерации и качества исходного документа. Лицензия — Apache-2.0.

Pixtral-Large-Instruct-2411 — мультимодальная модель Mistral AI для диалогов и анализа изображений. Она построена на Mistral-Large-Instruct-2407 и включает языковой декодер примерно на 123 млрд параметров и визуальный энкодер на 1 млрд параметров; общий размер — 124 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 128 тысяч токенов и рассчитана на работу с несколькими изображениями высокого разрешения в одном запросе. Модель предназначена для ответов на вопросы по изображениям, понимания документов и диаграмм, а также для текстовых инструкций и диалогов. В карточке заявлены сильные результаты на MathVista, DocVQA и VQAv2. Для инференса рекомендуется vLLM; README предупреждает, что реализация Transformers пока не работает. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и условиями Mistral AI.

PP-DocLayout_plus-L — модель локализации областей и элементов в документах, разработанная PaddlePaddle. Она предназначена для обнаружения структуры на страницах статей, презентаций, журналов, договоров, книг, экзаменационных материалов и исследовательских отчетов. Модель построена на архитектуре RT-DETR-L и распознаёт 20 категорий, включая заголовки, основной текст, номера страниц, аннотации, таблицы, ссылки, колонтитулы, формулы, изображения, диаграммы и списки. Модель обучена на собственном наборе документов на китайском и английском языках. В карточке приведена оценка mAP@0.5 83,2% на внутреннем наборе данных для обнаружения областей документов. Репозиторий содержит веса safetensors, библиотека — PaddleOCR. Лицензия Apache-2.0. Оценка относится к указанному внутреннему набору и не гарантирует такую же точность на других типах документов.

QianfanOCR — мультимодальная модель для распознавания и понимания содержимого изображений, представленная в репозитории bairongz. Она основана на дообученной OpenGVLab/InternVL3_5-4B-MPO и использует архитектуру QianfanOCRForConditionalGeneration; файлы опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в диалоговом режиме. Модель подходит для OCR и извлечения сведений из изображений, а также для вопросов и ответов по их содержимому. Метаданные указывают на многоязычную поддержку и наборы данных MMPR-v1.2 и MMPR-Tiny. Используется лицензия Apache-2.0. Карточка описывает семейство InternVL3.5 в целом, поэтому конкретные показатели качества и длина контекста именно QianfanOCR здесь не установлены.

lmstudio-community/Qwen2.5-VL-3B-Instruct-GGUF — мультимодальная инструкционная модель Qwen2.5-VL-3B-Instruct, разработанная Qwen и представленная в формате GGUF. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для задач анализа изображений и текста, включая распознавание объектов, интерпретацию текстов, диаграмм, графиков, значков и макетов в изображениях. Модель поддерживает контекст до 128 тысяч токенов, заявлена как мультиязычная и может формировать структурированные ответы, включая стабильный JSON. Она также предназначена для сценариев визуального агента с рассуждением и динамическим управлением инструментами, в том числе для взаимодействия с компьютером и телефоном. К сильным сторонам относятся анализ визуальной информации и работа со структурированными данными; конкретные ограничения, результаты тестов и перечень поддерживаемых языков в README не указаны. Лицензия — qwen-research.

coder3101/Qwen2.5-VL-72B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct от Qwen, размещённая пользователем coder3101. Это плотная instruction-tuned модель класса Qwen2_5_VLForConditionalGeneration на 71,5 млрд параметров; в репозитории веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текст и формирует текстовые ответы; базовый чекпойнт поддерживает анализ видео, однако карточка этой модификации отдельно описывает главным образом результаты ablation для отказов. Модель предназначена для диалогового анализа изображений: распознавания объектов и текста, интерпретации диаграмм и макетов, локализации объектов с координатами, а также структурированного извлечения данных из счетов, форм и таблиц. Базовое семейство также заявляет понимание длинных видео, выделение событий и визуальное управление инструментами. Контекст составляет 128 000 токенов. В приведённом сравнении показатель отказов снижен с 100 из 100 у исходной модели до 8 из 100; это указывает на ослабленное поведение отказа и требует осторожности при применении. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

Qwen2-VL-72B-Instruct — мультимодальная модель компании Qwen, дообученная для следования инструкциям на основе Qwen/Qwen2-VL-72B. Она принимает текст и изображения, а также видео для визуального анализа, и формирует текстовые ответы. Модель содержит 71,5 млрд параметров, использует архитектуру Qwen2-VL с динамическим разрешением изображений и мультимодальным позиционным кодированием M-ROPE; длина контекста составляет 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и видео, анализа документов и визуального содержимого, а также диалога и создания текстового описания по визуальному материалу. Она поддерживает разные разрешения и пропорции изображений; в README также описана возможность интеграции в системы, управляющие устройствами по визуальному окружению и текстовым инструкциям. Видеовход ограничен локальными файлами, а аудио в видео модель не понимает. Согласно README, известные ограничения включают неточный подсчёт объектов, слабое пространственное рассуждение, трудности со сложными многошаговыми инструкциями и ограниченное распознавание конкретных людей и объектов интеллектуальной собственности. Данные об изображениях актуальны до июня 2023 года. Модель распространяется под лицензией с меткой Hugging Face «other»; конкретные условия лицензии следует сверить в карточке репозитория.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

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