I.15Доступность и ассистивные технологии

Модель bofenghuang/whisper-large-v2-cv11-german — дообученная версия Whisper Large v2, созданная для распознавания немецкой речи. Её обучили на немецкой части набора Mozilla Common Voice 11.0; модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Модель преобразует аудио в текст, включая регистр букв и пунктуацию. Для входной речи требуется частота дискретизации 16 кГц. В карточке для Common Voice 11.0 указана оценка WER 5,76; результат получен на этом наборе и не гарантирует такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

Audio Flamingo Next Think — модель понимания аудио и ответов на вопросы, разработанная NVIDIA. Это вариант семейства Audio Flamingo Next, настроенный на многошаговое рассуждение по длинным аудиозаписям: он объединяет сведения о событиях, говорящих и временных отметках и может обосновывать ответы фрагментами аудио. Модель рассчитана на речь, окружающие звуки и музыку, включая записи длительностью до 30 минут. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт текст. Архитектура сочетает аудиоэнкодер AF-Whisper, обработку аудио фрагментами по 30 секунд, MLP-адаптер и текстовую основу семейства Qwen2.5 с механизмом временной привязки RoTE. В карточке указано окно контекста 131 072 токена для текстовой основы; контекст метаданных каталога указан как 1 200 токенов. Модель поддерживает задачи распознавания речи, перевода речи и вопросов по аудио; основное назначение этого варианта — сложные вопросы с временно привязанными объяснениями. Основной язык в карточке — английский, при этом обучение включает многоязычные данные для распознавания и перевода речи. Модель сильна в рассуждениях по длинным записям и связывании событий, разделённых во времени. Ответы могут включать длинные рассуждения перед итогом. По описанию авторов, качество рассуждения снижается, когда нужные свидетельства редки или сильно разнесены по времени; аудиоданные также неравномерны по языкам и областям. Лицензия обозначена как other; карточка ограничивает использование некоммерческими исследовательскими целями.

jina-vlm — компактная мультиязычная модель зрения и языка от Jina AI. Она объединяет визуальный энкодер SigLIP2-So400M с языковым декодером Qwen3-1.7B-Base и содержит 2,4 млрд параметров. Для обработки изображений произвольного разрешения модель использует перекрывающиеся фрагменты и attention pooling, сокращая число визуальных токенов в четыре раза с сохранением пространственной информации. Модель предназначена для диалога по изображениям и мультимодального понимания: она отвечает на вопросы, описывает сцены и извлекает сведения из графиков, диаграмм и документов. README приводит результаты на VQA-бенчмарках, включая многоязычные наборы, а также описывает текстовый режим и извлечение признаков. В метаданных указаны поддержка чата и языки, в том числе английский, китайский, арабский, русский, немецкий, французский, испанский и японский. Модель доступна в формате Safetensors и рассчитана на использование через Transformers, vLLM или Jina API. По приведённым в README текстовым тестам она уступает базовой Qwen3-1.7B-Base на ряде показателей; OCRBench также не является лучшим среди сравниваемых моделей. Лицензия — CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями.

Это модель понимания структуры документов на базе LiLT с энкодером XLM-RoBERTa, дообученная Пьером Гийу на наборе DocLayNet. Она классифицирует строки документа по типам элементов макета: заголовок, основной текст, таблица, изображение, формула, подпись, колонтитул, элемент списка и другие классы. Модель предназначена для разметки страниц PDF и других документов на уровне строк; при обучении использовались фрагменты по 384 токена с перекрытием 128 токенов. Размер модели — 305,2 млн параметров, контекст — 514 токенов. В оценке на DocLayNet точность классификации строк составила 91,97%, а F1 для токенов — 0,8584. Она подходит для извлечения структуры финансовых отчётов, научных статей, инструкций, законов и других документов, помогая направлять последующий OCR и разбор содержимого. Поддерживаются английский, немецкий, французский и японский языки; разметка использует текст и геометрию документа. Лицензия — MIT.

Карточка модели unsloth/Llama-4-Maverick-17B-128E на Hugging Face совпадает с карточкой meta-llama/Llama-4-Maverick-17B-128E, поэтому описание составлено по ней. Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.

Nanonets-OCR-s — компактная мультимодальная модель Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на Qwen2.5-VL-3B-Instruct и принимает изображения документов, включая сложные страницы с таблицами, формулами и встроенными изображениями. Модель распознаёт текст и структуру документа, представляет математические формулы в LaTeX, описывает изображения, извлекает текст водяных знаков и выделяет подписи. Таблицы она может выводить в формате Markdown или HTML, а состояния флажков и переключателей — обозначать стандартными символами. Такой вывод подходит для дальнейшей обработки языковыми моделями и для извлечения данных из деловых и юридических документов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и имеет контекст длиной до 128 000 токенов. В метаданных указан английский язык. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

PP-OCRv5_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в поколение PP-OCRv5 и используется как модуль распознавания в OCR-конвейерах PaddleOCR, включая PP-OCRv5 и PP-StructureV3. Одна модель поддерживает упрощённый и традиционный китайский, английский и японский языки, а также сложные случаи: рукописный и вертикальный текст, пиньинь, редкие символы, повёрнутые и искажённые строки, художественное оформление текста. README приводит метрики для печатного и рукописного текста и других сценариев; в среднем указано 0,8401 при оценке строки как неверной, если в ней ошибочен хотя бы один символ. Модель предназначена для распознавания текста в строках изображения и выдаёт текст. Для полноценного извлечения текста из документов её объединяют с обнаружением текста и, при необходимости, модулями ориентации, коррекции и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

Qipchoq-STT — модель автоматического распознавания речи на базе Whisper, разработанная xmullaboyeva и дообученная на пользовательском речевом датасете. Она преобразует аудио в текст и может использоваться для транскрибации записей, подготовки разметки и интеграции распознавания речи в приложения на Python через библиотеку Hugging Face Transformers. Модель содержит 455,8 млн параметров и распространяется в формате Safetensors. В метаданных указан узбекский язык; название Qipchoq также указывает на кипчакское направление, однако README не уточняет языковой охват. Лицензия — Apache-2.0. Качество распознавания может снижаться на шумных записях, при акцентах и диалектах, не представленных в обучающих данных, при одновременной речи нескольких собеседников и на очень коротких аудиофрагментах.

RedHatAI/Qwen2.5-VL-72B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen и оптимизированной Neural Magic. Модель принимает изображения и текст, а генерирует текст; в карточке также указан английский язык. Версия выпущена 24 февраля 2025 года. Модель предназначена для визуально-языковых задач: ответов на вопросы по изображениям, анализа документов и диаграмм, визуального рассуждения и решения математических задач по визуальному содержимому. Архитектура основана на Qwen2.5-VL-72B-Instruct с 72 млрд параметров. Веса и активации квантизированы в FP8 с динамическим режимом, что ориентировано на более эффективное выполнение инференса. Для запуска рекомендуется vLLM версии 0.5.2 или новее; поддерживается OpenAI-совместимый сервер. В примере развертывания используется контекст до 4096 токенов, однако общий максимальный контекст модели в README не указан. По приведенным оценкам, FP8-версия сохраняет близкое к исходной качество на задачах MMMU, VQAv2, DocVQA, ChartQA и MathVista, но результаты могут зависеть от сценария использования и настроек инференса. Модель распространяется по лицензии Apache 2.0.

Whisper Hindi Medium — модель распознавания речи, дообученная Vasista22 на основе openai/whisper-medium на данных для автоматического распознавания речи на хинди из нескольких открытых корпусов. Она предназначена для преобразования аудиозаписей на хинди в текст, в том числе для обработки речевых корпусов и оценки качества транскрипции. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны форматы PyTorch и Flax. Для работы с Flax в карточке упоминается библиотека whisper_jax. Обучение использовало GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающую и валидационную части Google Fleurs. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества, поэтому точность на конкретных типах записей по ней определить нельзя.

DictionLabs/whisperkit-coreml — набор моделей OpenAI Whisper, преобразованных компанией Diction Labs в формат CoreML для распознавания речи на устройствах Apple. Сборка создана с помощью whisperkittools на основе MIT-лицензированных контрольных точек Whisper и предназначена для использования через WhisperKit и argmax-oss-swift. В набор входят варианты на базе whisper-base, whisper-small и whisper-large-v3-turbo, включая полноточные версии и сжатую версию dictionlabs_whisper-large-v3-turbo-q6q8 размером 737 МБ. Сжатая модель использует 6-битное представление encoder и 8-битное представление decoder, занимая около 45% размера полноточной версии large-v3-turbo, размер которой составляет 1,63 ГБ. Модели предназначены для задач automatic speech recognition и поддерживают многоязычную транскрипцию; в приведённых проверках оценивались английский, немецкий, французский, японский, корейский и китайский языки. Ключевое преимущество набора — выполнение распознавания непосредственно на Apple hardware, включая использование Neural Engine. По данным разработчика, сжатая версия на M1 Mac mini работает примерно в 9,6 раза быстрее реального времени и по качеству близка к полноточной: на 150 фрагментах спонтанной речи WER составил 11,14% против 10,96%, а результаты совпали на 141 фрагменте. Показатели зависят от языка, качества речи и уровня шума; приведённые тесты имеют ограниченный объём и не заменяют полноценную оценку для конкретного сценария. Модели распространяются по лицензии MIT. Для первого запуска токенизаторы загружаются отдельно из соответствующих репозиториев openai/whisper-*, поэтому даже при наличии весов на диске требуется доступ к сети.

ZDTaichu5.0-9B-GGUF — мультимодальная foundation-модель, разработанная командой Taichu AI. Она предназначена для общего визуального понимания, пространственного рассуждения, агентского использования инструментов и исследований в области embodied AI. Модель работает с текстом, отдельными и множественными изображениями, а также видео; заявлена поддержка английского и китайского языков. В основе используется языковой декодер Qwen3.5-9B и vision-энкодер C-RADIOv4-H. Модель поддерживает контекст до 128K токенов и визуальный ввод произвольного разрешения. Она рассчитана на понимание изображений, документов, таблиц, графиков, диаграмм и OCR, визуальную математику, ответы на вопросы с опорой на визуальные данные, анализ нескольких ракурсов и видео, локализацию объектов, координаты и bounding boxes, 2D- и 3D-пространственные отношения, перспективу, планирование действий и понимание affordances. К сильным сторонам относятся широкий профиль визуальных возможностей, пространственное и embodied-рассуждение, многошаговое и многотуровое использование инструментов, а также Entropy-Gated Adaptive Recurrent Reasoning, динамически выделяющий дополнительные итерации обработки для сложных токенов. GGUF-артефакты совместимы с llama.cpp, Ollama и другими GGUF-инструментами; доступны варианты квантования языковой модели и vision-энкодера для CPU и NVIDIA GPU с CUDA. Исполнение инструментов моделью самостоятельно не выполняется и должно быть реализовано и защищено окружающим приложением. Лицензия в представленном README не указана.

ERNIE-4.5-VL-28B-A3B-Thinking — мультимодальная модель рассуждений компании Baidu на архитектуре ERNIE-4.5-VL с MoE. Она принимает текст и изображения и предназначена для визуальных вопросов и ответов, многошагового анализа изображений, STEM-задач по фотографиям, анализа диаграмм, визуальной привязки объектов и понимания видео. В README также заявлены вызов инструментов, включая поиск изображений, и режим «Thinking with Images» для изучения мелких деталей изображения с помощью масштабирования. По метаданным размер модели составляет 3,3 млрд параметров, контекст — до 131 072 токенов; README указывает, что при генерации активируются около 3 млрд параметров. Поддерживаемая библиотека — Transformers, веса опубликованы в формате safetensors. Модель ориентирована на английский и китайский языки. Для Transformers в README указана версия не выше 4.57.6. Лицензия — Apache-2.0.

InternVL3-8B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в GGUF-формате Unsloth. Это SFT-версия InternVL3-8B: она прошла мультимодальное предварительное обучение и дообучение с учителем, но не проходила MPO. Модель предназначена для задач понимания и анализа изображений совместно с текстом, мультимодального рассуждения, работы с инструментами и GUI-агентами, промышленного анализа изображений, а также восприятия 3D-сцен. Она поддерживает многоязычные сценарии, однако конкретный перечень языков и размер контекстного окна в предоставленных данных не указаны. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий размер модели обозначен как 8B. Сильными сторонами заявлены развитые возможности мультимодального восприятия и рассуждения, а также повышение качества по сравнению с InternVL 2.5. Ограничения включают отсутствие MPO и неизвестные из README характеристики контекстного окна, точности GGUF-квантизации и производительности на конкретном оборудовании. В метаданных указана лицензия Apache 2.0; также присутствует обозначение license_name Qwen и ссылка на лицензию Qwen2.5.

useful-quants/LFM2.5-VL-3B-NVFP4-FP8-Mixed — мультимодальная версия LFM2.5-VL-3B, разработанная Liquid AI и опубликованная useful-quants. Модель предназначена для задач image-text-to-text, включая визуальные вопросы и ответы, OCR счетов и документов, а также рассуждения по изображениям с высоким разрешением. Заявлена оптимизация для обслуживания на видеокартах NVIDIA GeForce RTX 50-й серии с архитектурой Blackwell SM120. Модель использует гибридную архитектуру с 30 слоями декодера: 8 полносвязных attention-слоев и 22 слоями с короткими свертками. Веса feed-forward MLP декодера квантизированы в NVFP4, линейные слои attention и MLP зрительной башни SigLIP2 — в FP8, а короткие свертки, vision attention, patch embeddings, мультимодальный проектор, embeddings и LM head сохранены в BF16. Размер базовой модели — 3B параметров; заявлены поддержка изображений и текста, а также языков Arabic, Chinese, English, French, German, Hindi, Indonesian, Italian, Japanese, Korean, Polish, Portuguese, Russian, Spanish, Thai и Vietnamese. Квантованный checkpoint занимает около 2,84 GiB. Ключевые преимущества варианта — снижение потребления памяти, увеличение доступного пространства под KV-cache и высокая задержка-ориентированная производительность для задач с одним изображением. В тестах на RTX 5060 Ti 16GB он достигал примерно двукратной пропускной способности относительно BF16-версии и показывал 126,71 tok/s для VQA и 130,66 tok/s для OCR. Ограничение состоит в аппаратной и программной специфичности: результаты относятся к NVIDIA SM120 и рекомендованному контейнерному окружению с vLLM 0.26.0 и FlashInfer 0.6.14; запуск с параметром --enforce-eager существенно снижает производительность. Лицензия указана как lfm1.0, тип лицензии — other.

elprofessor67 дообучил мультимодальную модель Qwen3-VL-32B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3-VL на 32 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и интерфейс вызова инструментов. Её можно применять для вопросов по изображениям, распознавания текста на изображениях и анализа визуальных материалов. В метаданных указан английский язык карточки модели, но специальных данных о языковой специализации дообучения нет. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные обучающие данные, результаты оценки качества или ограничения дообученной версии; возможности и качество отдельных задач поэтому следует проверять на целевых данных.

Paraformer-zh — модель распознавания речи из экосистемы FunASR, разработанная командой FunASR. Это сквозная нерегрессионная ASR-модель с параллельной генерацией результата; в карточке указано 220 млн параметров. Модель предназначена прежде всего для распознавания мандаринского китайского языка, в том числе речи со смешением китайского и английского. Заявлена скорость до 120-кратного реального времени на GPU. Модель принимает аудио и возвращает текст. Для длинных записей можно использовать встроенный VAD; потоковый и пакетный режимы, восстановление пунктуации и диаризация доступны в составе полного конвейера FunASR с дополнительными компонентами. Репозиторий содержит веса PyTorch, библиотека для работы — FunASR. Лицензия — Apache-2.0.

POINTS-Reader — модель компьютерного зрения и языка из семейства WePOINTS для преобразования изображений документов в текст. Она построена по структуре POINTS1.5: использует визуальный энкодер NaViT на 600 млн параметров и Qwen2.5-3B-Instruct вместо Qwen2.5-7B-Instruct. Модель принимает изображение документа с фиксированным запросом и выдаёт извлечённый текст без дополнительной постобработки. Модель предназначена для сквозного извлечения текста из англоязычных и китайских документов. Авторы сообщают результаты на OmniDocBench: 0,133 для английских и 0,212 для китайских документов. Для инференса описана поддержка Transformers и SGLang; авторы отмечают, что увеличение разрешения изображения может помочь при повторяющемся выводе. Модель с трудом обрабатывает сложную вёрстку, например газетные полосы, и рукописные документы: возможны пропуски, повторы и ошибки распознавания. Другие языки, кроме английского и китайского, не поддерживаются. Лицензия — Apache-2.0.

WaltonFuture/Qwen2.5VL-7b-RLCS — мультимодальная модель WaltonFuture на архитектуре Qwen2.5-VL с 7,1 млрд параметров. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала методом supervised fine-tuning на данных cold start, затем с помощью GRPO на мультимодальных данных для обучения с подкреплением. Модель принимает текст и изображения и предназначена для диалоговых задач, требующих визуального анализа и рассуждений по изображению. Контекст составляет до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers; лицензия — Apache-2.0.

Wangkanai публикует модифицированную версию Qwen3-VL-2B-Instruct — мультимодальной модели семейства Qwen3-VL с архитектурой Transformer и 2 млрд параметров. Она принимает изображения и текст, а отвечает текстом; поддерживает диалоговый режим и визуальное понимание. В репозитории доступны веса SafeTensors и GGUF в FP16. Заявлены сценарии описания изображений, визуальных вопросов и ответов, OCR, анализа документов и рассуждений о сценах. Модель предназначена для работы с изображениями и текстовыми инструкциями, в том числе для создания текстовых описаний и анализа визуального содержимого. В README указана версия с удалёнными механизмами отказа, рассчитанная автором на исследования и творческие эксперименты; из-за этого ответы могут быть неограниченными и небезопасными, а точность не гарантируется. Языковая поддержка и длина контекста в предоставленных данных не описаны. Лицензия репозитория — Apache-2.0.

Salamandra-VL-7B-2512 — мультимодальная модель семейства Salamandra от BSC-LT, построенная на архитектуре LLaVA OneVision. Она объединяет языковую модель Salamandra 7B, настроенную на следование инструкциям, с визуальным энкодером SigLIP 2 Giant и двухслойным MLP-проектором. Модель обучали на мультиязычных инструкциях, включая коллекцию Aya, и визуальных данных PixMo для детального понимания изображений, привязки объектов и подсчёта. Модель предназначена для диалога по изображениям и тексту: она отвечает на вопросы о содержимом изображений, описывает сцены, считает объекты, интерпретирует диаграммы и таблицы и помогает разбирать документы. Карточка отмечает фокус на европейских языках; метаданные перечисляют поддержку многих языков, включая русский. Модель также может отвечать на текстовые инструкции и вопросы по коду. В карточке приведены улучшения относительно предыдущей версии на ряде визуальных бенчмарков, в том числе AI2D, ChartQA и CountBenchQA. Это ранний прототип без RLHF-выравнивания и полной оценки когнитивных и социальных предубеждений; модель может выдавать вредные или неуместные ответы. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

TranslateGemma 12B IT — модель для перевода от Google Translate, дообученная на основе Gemma 3. Она предназначена для перевода текста между 55 языками и может извлекать текст из изображения и переводить его. Модель принимает текст и изображения; для изображения предусмотрена обработка с разрешением 896 × 896 пикселей. Контекст входа составляет 2K токенов, а результатом служит текст перевода. Модель ориентирована на запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для работы предусмотрен шаблон чата Gemma, поддерживаемый Transformers. Обучение включало supervised fine-tuning на параллельных данных и этап reinforcement learning. Качество перевода зависит от покрытия и качества обучающих данных; модель может ошибаться в передаче нюансов, сарказма и предметного контекста. Указанная лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования.

vumichien/whisper-small-ja — модель распознавания японской речи, полученная дообучением Whisper Small от OpenAI на японской части Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель подходит для преобразования японской речи в текст. На указанном в карточке наборе оценки достигнуты значения WER 13,4679 и CER 8,6022. Базовая Whisper Small также поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии описывает дообучение именно для японского распознавания. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Модель abilमानsplus/whisper-turbo-ksc2 — версия Whisper large-v3-turbo от OpenAI, дообученная разработчиком репозитория на казахском корпусе речи Kazakh Speech Corpus 2 объёмом около 1000 часов размеченного аудио из разных источников. Она предназначена для автоматического распознавания речи и преобразования казахской речи в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и распространяется в формате Safetensors для библиотеки Transformers. На тестовой части корпуса автор сообщает WER 9,16%. Для аудио длиннее 35 секунд README рекомендует разбивать запись на фрагменты по 30 секунд и объединять результаты транскрибации. Модель доступна по лицензии MIT. Указанный результат получен на конкретном тестовом разделе корпуса и не гарантирует такую же точность на других источниках, акцентах или условиях записи.

Jacaranda Health разработала модель распознавания речи на базе Whisper medium, дообученную для транскрибирования речи на суахили и английском языках. Модель принимает аудио и выдаёт текст; число параметров — 455,8 млн. В метаданных указано объединение моделей openai/whisper-medium и openai/whisper-small, а README описывает дообучение whisper-medium на Common Voice 17.0. Поэтому точный способ получения чекпойнта по источникам расходится. Модель подходит для расшифровки записей и смешанной речи на суахили и английском. README сообщает WER 14,7 на оценочном наборе и улучшение по сравнению с базовой моделью, особенно для суахили, но подробности протокола оценки не приведены. Лицензия в метаданных — CC BY-SA 4.0; README ограничивает назначение исследованиями, общественно полезными и внутренними сценариями, а коммерческое использование и распространение предлагает согласовывать с Jacaranda Health.

Экспериментальная копия весов dots.ocr от RedNote HiLab с исправленной конфигурацией для запуска через Transformers. Модель предназначена для анализа изображений документов и преобразования их содержимого в текст, в том числе в формате Markdown; архитектура — плотная модель DotsOCRForCausalLM с 1,5 млрд параметров, работающая с изображениями и текстом. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Исправление устраняет ошибку инициализации video_processor, из-за которой инференс не запускался в актуальных версиях Transformers. Репозиторий содержит веса в формате safetensors и имеет лицензию MIT. Автор карточки называет эту версию экспериментальной и рекомендует более новые версии исходной модели; также указано, что скопированные веса нельзя использовать для других целей.

ERNIE-4.5-VL-424B-A47B-Base-PT — базовая мультимодальная модель Baidu семейства ERNIE 4.5, предназначенная для понимания и генерации текста с учётом изображений. Это предварительно обученная MoE-модель с архитектурой ERNIE4_5_VLMoeForConditionalGeneration: в README указаны 424 млрд параметров всего и 47 млрд активных параметров на токен; метаданные каталога приводят оценку общего размера 47,1 млрд. Модель обрабатывает текст и изображения, поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Модель подходит для диалога, ответов на вопросы по изображениям, описания визуальных материалов и кросс-модальных рассуждений, а также для задач понимания и генерации текста. Это базовый чекпойнт стадии pretraining, а не указанный в карточке вариант, настроенный для конкретного пользовательского сценария. README приводит пример запуска через vLLM с 16 GPU по 80 ГБ и требует trust_remote_code. Лицензия — Apache-2.0.

HordeVision — открытая мультимодальная модель языка и зрения, разработанная для работы с казахским языком. Она основана на Qwen/Qwen3-VL-8B-Instruct и дообучена в два этапа: с помощью SFT и GRPO. Модель принимает изображения и текстовые запросы, а в ответ может описывать изображения, отвечать на вопросы о них, распознавать казахский текст, выполнять визуальные рассуждения и следовать многошаговым инструкциям. Модель ориентирована на сценарии, где нужно взаимодействовать с визуальной информацией на казахском языке: например, извлекать текст из изображений или объяснять содержание культурно значимых и повседневных сцен. В README указано обучение примерно на 50 тысячах изображений и преимущество в сравнительной оценке над несколькими мультиязычными моделями; это результаты авторской оценки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0.

ddobokki/ko-trocr — модель OCR для распознавания корейского текста на изображениях, созданная с использованием опыта, полученного на соревновании AI OCR Challenge 2023 от Kyowon Group. Она построена по архитектуре VisionEncoderDecoder: энкодер взят из TrOCR base stage 1, а декодер использует KR-BERT-char16424. Токенизатор декодера поддерживает начальные согласные корейских слогов, что помогает распознавать символы, которые иначе могли бы отображаться как неизвестные токены. Модель обучалась на наборах AI Hub для распознавания корейских символов в разных формах и OCR государственных административных документов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка ориентирует модель на корейский язык и задачу извлечения текста из изображений.

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