I.15Доступность и ассистивные технологии

ersindemirel94/qwen_ps_v1 — дообученная разработчиком ersindemirel94 мультимодальная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-2B. Она предназначена для диалогов и задач преобразования изображений и текста; архитектура — плотная Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. В метаданных заявлены поддержка зрения и интерфейс вызова инструментов. Базовая модель содержит 2 млрд параметров; карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL, но не описывает конкретный набор данных, специализацию дообучения или результаты оценки. Поэтому качество на отдельных задачах и практические ограничения по сценариям использования карточка не устанавливает.

Step-3.7-Flash-GGUF — квантизированная GGUF-версия мультимодальной модели Step-3.7-Flash, разработанной stepfun-ai и подготовленной сообществом bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач vision-language и image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов. В README указана поддержка английского языка и архитектурный признак mixture-of-experts (MoE), однако точные размер, число параметров, длина контекста и перечень поддерживаемых модальностей не приведены. Модель поставляется в большом наборе вариантов квантизации от Q8_0 до Q2_K, включая Q4_K_M как вариант по умолчанию для большинства сценариев. Размер файлов варьируется примерно от 71,74 до 212 ГБ, поэтому для запуска требуются значительные ресурсы. Квантизация снижает требования к памяти по сравнению с исходной моделью, но варианты с меньшей разрядностью могут заметно уступать по качеству; наиболее качественными в README названы Q6_K_L, Q6_K и варианты Q5. Использование предусмотрено через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Лицензия — Apache-2.0.

Kaousheik разработал TEMPO — экспериментальный чекпойнт аудиоязыковой модели для определения временных границ речи, звуков и музыки. Это вариант абляции из Table 3, обученный с distance-aware Gaussian timestamp loss без time-aware projector; он основан на NVIDIA Audio Flamingo 3. Базовая архитектура сочетает замороженный аудиоэнкодер Whisper-large, Qwen2-7B и проектор; модель принимает аудио и формирует текст с временными метками. Модель предназначена для диаризации с распознаванием реплик, привязки текстовых запросов к интервалам аудио, сегментации записей с описанием событий и анализа временных отрезков музыки. В README приведены результаты этой абляции: DER 86,2, diarization mIoU 37,5, dense-captioning eF1 49,9 и grounding F1 38,0. Поддерживается английский язык. Временные метки ограничены 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты; распознавание речи нескольких говорящих и определение аккордов остаются неточными. Метаданные указывают лицензию other, конкретные условия следует проверять в карточке модели.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

seastar105/whisper-medium-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная автором seastar105. Она предназначена для транскрибации корейской речи, в том числе телефонных разговоров, совещаний, адресов и разговорной речи из теле- и радиопередач. Архитектура — WhisperForConditionalGeneration, модель содержит 455,8 млн параметров и принимает аудио, выдавая текст; веса доступны в форматах Flax и Safetensors. Автор сообщает, что на используемом им тестовом наборе среднее качество превосходит Whisper Large v3. В README приведены результаты сравнений на нескольких корейских наборах, однако таблица представлена не полностью, а совещания исключены из описанной оценки. Это утверждение не следует считать гарантией качества на других данных. Лицензия в предоставленных сведениях не указана.

AIMv2-3B-patch14-224 — модель компьютерного зрения семейства AIMv2, разработанная Apple и представленная в исследовательской работе AIMv2. Это зрительный энкодер с 2,7 млрд параметров, предварительно обученный с мультимодальной авторегрессионной целью. Репозиторий содержит веса Flax и safetensors и предназначен для извлечения признаков из изображений через Transformers. Модель можно применять как визуальный энкодер для распознавания объектов и других задач понимания изображений. В карточке семейства сообщается о результатах выше CLIP и SigLIP на большинстве мультимодальных бенчмарков, превосходстве DINOv2 в детекции объектов с открытым словарём и понимании отсылочных выражений, а также о 89,5% на ImageNet для AIMv2-3B с замороженным энкодером. Эти показатели относятся к описанию семейства, а не обязательно к отдельной оценке данного чекпойнта. Лицензия — apple-amlr; ограничения лицензии следует учитывать при использовании.

AISAK-TVI — мультимодальная модель общего назначения от команды AISAK, созданная на архитектуре Bunny-Llama и интегрированная с AISAK-Assistant. Она принимает текст и изображения и формирует текстовые ответы; заявленный размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для описания изображений, формулирования ответов, творческого письма и автоматизации создания контента. В карточке заявлена поддержка мультимодального понимания, однако независимые показатели качества не приведены, а развертывание описано как часть будущей полной системы AISAK. Возможны предвзятость и снижение качества на узкоспециализированных или выходящих за область обучения запросах; важные результаты следует проверять. Условия лицензии обозначены как other, а README утверждает, что копирование и распространение требуют предварительного письменного разрешения правообладателя.

Bangla Punctuation Restoration v2 — модель Манжары Хасин Аль Питома (HasinManjare) для восстановления знаков препинания в бенгальском тексте. Она дообучена на BanglaBERT — дискриминаторе ELECTRA для бенгальского языка — и присваивает токенам метки пунктуации; среди меток указаны отсутствие знака, запятая и бенгальская точка «।». Размер модели — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для пунктуации текста без знаков, в том числе расшифровок автоматического распознавания речи. README сообщает оценку macro F1 около 0,570 для пунктуации и 0,623 в целом на отложенной тестовой выборке; качество заметно различается между классами. Для производственного применения рекомендуется оценить её на данных, характерных для целевой системы распознавания речи. Модель распространяется под лицензией с меткой «other»; конкретные условия следует сверить на странице репозитория.

Mungert/bu-30b-a3b-preview-GGUF — это GGUF-квантизированная версия BU-30B-A3B-Preview, разработанной Browser Use на базе Qwen/Qwen3-VL-30B-A3B-Instruct. Модель предназначена для автоматизации работы в браузере через библиотеку browser-use: поиска информации, взаимодействия с веб-страницами, понимания DOM и визуального анализа интерфейсов. Она ориентирована на сценарии browser use и может запускаться локально или через совместимые серверы инференса. Модель представляет собой vision-language модель с архитектурой Mixture of Experts: 30 млрд параметров суммарно и около 3 млрд активных параметров. Поддерживает текстовые и визуальные входы, заявленный язык — английский, контекст — до 65 536 токенов. GGUF-файлы созданы с использованием llama.cpp; автор версии применяет дополнительное повышение точности отдельных важных слоёв при квантовании, что может улучшать качество на низких битностях, но увеличивает размер файлов. Сильные стороны модели — специализированное обучение для браузерных задач, понимание DOM и визуальное рассуждение при относительно небольшом числе активных параметров, благодаря чему она потенциально подходит для размещения на одной GPU. Ограничения включают предварительный статус версии, зависимость качества и требований к ресурсам от конкретного уровня квантования, а также заявленную ориентацию преимущественно на английский язык. Лицензия в предоставленной карточке модели не указана.

Это квантованная версия Gemma 4 26B-A4B IT, подготовленная roman220220 для запуска через MLX на компьютерах Apple Silicon. В основе — google/gemma-4-26B-A4B-it: мультимодальная MoE-модель с 26,5 млрд параметров и примерно 4 млрд активных параметров на токен; в 30 слоях сочетаются плотный MLP и маршрутизация к экспертам. Модель принимает текст и изображения и формирует текстовые ответы; аудиобашни у этой версии нет. Веса квантованы методом GPTQ с разной точностью по типу слоя: проекции внимания — 8 бит, плотные MLP и эксперты MoE — 4 бита, эмбеддинги — 8 бит. По README, размер уменьшен примерно с 51,6 до 15 ГБ; калибровка использовала текстовые запросы и фотографии COCO. Модель предназначена для локального диалога, рассуждений и анализа изображений. README приводит успешную проверку текстовых ответов и распознавания объекта на фотографии; для передачи изображений требуется ручной цикл генерации, поскольку стандартный mlx_lm.generate() не поддерживает это для данной реализации. Модель распространяется по лицензии Apache-2.0. Для запуска нужен совместимый MLX-стек; заявленная ориентация — Apple Silicon.

Это мультимодальная модель Gemma 4 E4B от Google, опубликованная в формате MLX пользователем roman220220. Репозиторий содержит производную версию QAT-чекпойнта google/gemma-4-E4B-it-qat-q4_0-unquantized: текстовые веса размещены на сетке q4_0, а 114 чувствительных линейных слоёв хранятся в 8-битном формате; также включены зрительный и аудиоблоки. Архитектура — Gemma4ForConditionalGeneration, формат файлов — safetensors, лицензия — Apache-2.0. Модель предназначена для локального диалога, ответов по изображениям и распознавания речи в совместимом MLX-окружении на Apple Silicon. По данным автора, размер сборки составляет 5,95 ГБ; приведены измерения качества на тесте perplexity и скорости декодирования на MacBook Air M5. Для работы с изображениями и аудио требуется поддерживающая мультимодальность версия mlx-lm. В README не указаны длина контекста и перечень поддерживаемых естественных языков.

GLM-4.5V-GGUF — квантованная версия модели GLM-4.5V в формате GGUF, автоматически преобразованная проектом ggml-org/convert. Исходная модель разработана организацией zai-org. По указанной классификации это мультимодальная модель для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа. Модель предназначена для локального запуска через совместимые инструменты, включая llama.app и команду llama serve. В README не указаны архитектура, размер, варианты квантования, поддерживаемые языки, максимальная длина контекста и конкретные сценарии применения, поэтому эти характеристики нельзя достоверно оценить. Также не приведены результаты тестирования, сведения о производительности или ограничения исходной модели. Репозиторий распространяется по лицензии MIT.

adipras1407/indictrans2-en-indic-1B-conversational — дообученная модель перевода на основе IndicTrans2 от AI4Bharat. Она предназначена для перевода с английского на 21 индийский язык в разговорном регистре: например, для чатов, диалогов и субтитров. Модель использует архитектуру IndicTrans для условной генерации текста и содержит около 1,1 млрд параметров; для работы применяется библиотека Transformers. В README заявлено улучшение chrF2 на разговорных тестах при близком к базовой модели результате на FLORES, однако прирост не подтверждён оценкой людьми и может частично отражать сходство стиля с тестовыми примерами. Модель обучали на смешанных разговорных и общих данных, а затем усреднили веса с базовой моделью. Направление перевода — только с английского на индийские языки; перевод в обратном направлении и между индийскими языками не проверялся. Для официального или новостного текста базовая модель может быть не хуже, а качество для языков с малым объёмом данных ограничено. Весам указана лицензия MIT; README также рекомендует проверять условия лицензирования исходных обучающих данных, особенно для коммерческого использования.

IndicTrans2 Indic-En 1.1B — модель машинного перевода от AI4Bharat, предназначенная для перевода с индийских языков на английский. Карточка сообщает, что это вариант семейства IndicTrans2 с 1,1 млрд параметров; модель использует текстовый формат «текст на входе — текст на выходе» и обучалась с использованием наборов данных FLORES-200, IN22-Gen и IN22-Conv. Модель подходит для перевода текстов с поддерживаемых индийских языков на английский. В тегах карточки перечислены ассамский, бенгальский, бодо, догри, английский, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, манипури, маратхи, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду; основной сценарий — перевод на английский. Для этого варианта в README не указана длина контекста; упомянутые там модели RoPE-IT2 с контекстом до 2048 токенов являются отдельными моделями. Модель распространяется по лицензии MIT.

natong19/InternVL2-8B-abliterated — модифицированная версия мультимодальной модели InternVL2-8B. Разработчик применил ортогонализацию весов, чтобы ослабить склонность модели отказываться от запросов, сохранив текстовые и мультимодальные возможности. Модель построена на архитектуре InternVLChatModel и предназначена для диалогов с текстом и изображениями; в метаданных для неё указан pipeline image-text-to-text. Её можно использовать для вопросов по изображениям, мультимодального чата и обычных текстовых задач. В приведённых тестах результаты на ARC и MMLU немного ниже, чем у исходной InternVL2-8B. Ослабление отказов не гарантирует, что модель выполнит любой запрос: она может неверно понять намерение, отказаться или сама затронуть вопросы этики и безопасности. Репозиторий распространяется по лицензии MIT.

MatCha — модель обработки изображений и текста на основе Pix2Struct, разработанная Fangyu Liu, Francesco Piccinno и коллегами и дообученная на наборе Chart2text-pew. Этот вариант предназначен прежде всего для создания текстовых сводок по диаграммам и графикам. Модель принимает изображение графика и формирует текстовый ответ или описание. Семейство MatCha обучалось для анализа графиков и числовых рассуждений; карточка сообщает о результатах на задачах PlotQA и ChartQA, а также об улучшении переноса на диаграммы из учебников, документы и скриншоты. В метаданных указаны языки en, fr, ro и de, формат PyTorch и лицензия Apache-2.0.

Модель Anonym-050326/nirukti-translate-1.3b — дообученная модель перевода для английского и 55 индийских языков, включая 33 языка с ограниченными ресурсами. Она переводит в обоих направлениях: с английского на поддерживаемый индийский язык и обратно. Архитектура — encoder-decoder на основе M2M-100; в карточке указано 665 млн параметров, а README заявляет 1,3 млрд, поэтому размер модели по источникам расходится. Контекст — 1024 токена; репозиторий содержит веса Safetensors. Модель предназначена для перевода региональных языков, в том числе в сценариях с малым объёмом обучающих данных. При дообучении использовались LoRA-адаптеры, объединённые с базовыми весами, и расширенный словарь. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Xenova/opus-mt-de-en — модель машинного перевода с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Она основана на модели Helsinki-NLP/opus-mt-de-en, разработанной Helsinki-NLP, и предназначена для перевода текстов с немецкого языка на английский, в том числе в веб-приложениях и других средах, поддерживающих Transformers.js. Ключевой особенностью модели является наличие ONNX-весов, что облегчает её использование в JavaScript- и веб-сценариях. Архитектура, размер, максимальная длина контекста, дополнительные модальности и точные языковые характеристики в представленном README не указаны. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории Helsinki-NLP/opus-mt-de-en.

huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, разработанная сообществом huihui-ai на основе Qwen/Qwen2.5-VL-3B-Instruct от Qwen. Модель предназначена для диалогов, описания изображений и других сценариев image-text-to-text, включая локальный запуск через Transformers, Ollama и GGUF/llama.cpp. Это 3-миллиардная vision-language модель с поддержкой изображений и текста; в README указано, что языковая часть была обработана методом abliteration, а визуальная часть не изменялась. Заявленный язык — английский. Для примера использования указан контекст 4096 токенов, однако полный размер контекстного окна не уточнён. Модель может быть удобна для локального мультимодального инференса и работы на ограниченных ресурсах, но из-за изменения поведения отказов её ответы требуют дополнительной проверки на безопасность и корректность. Модель распространяется по лицензии qwen-research; ссылка на текст лицензии ведёт к лицензии исходной модели Qwen/Qwen2.5-VL-3B-Instruct. Точные ограничения, показатели качества, аппаратные требования и перечень поддерживаемых языков в README не указаны.

rf-detr-mobile-gui-detection — модель обнаружения объектов на изображениях, разработанная на основе Roboflow/rf-detr-medium и предназначенная для локализации элементов мобильного графического интерфейса. Она использует архитектуру RF-DETR для детекции объектов; в карточке описаны визуальный трансформерный backbone в стиле DINOv2 with Registers, оконная схема внимания, многоуровневый проектор и декодер Deformable DETR. Модель подходит для обнаружения и привязки элементов интерфейса на скриншотах мобильных приложений, например для поиска кнопок и других компонентов по их расположению. Карточка указывает английский язык; опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста не указаны в использованных материалах.

RUPunct_big — крупная модель семейства RUPunct для расстановки пунктуации в русском тексте. Карточка называет её самой большой моделью семейства и рекомендует для большинства задач. По архитектуре это BertForTokenClassification на базе BERT с 205,5 млн параметров; модель принимает последовательность токенов и классифицирует их, используя контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для автоматического восстановления пунктуации в русском тексте, например в текстах без знаков препинания. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Карточка не приводит сравнительных оценок качества или подробностей о данных обучения.

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке. В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов. Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

Это базовая модель SigLIP 2 Base с патчами 16×16 и входным разрешением 224 пикселя, опубликованная в репозитории eugenehp как промежуточная копия исходного чекпойнта Google для запуска в RLX. Она сопоставляет изображение с текстовыми метками и подходит для классификации изображений по произвольным описаниям без отдельного обучения на заданных классах. В README приведён пример выбора между метками «кошка» и «собака» для фотографии. Модель принимает изображения и текстовые метки, а результатом служат оценки соответствия изображения каждому текстовому описанию. В репозитории доступны веса Safetensors и вариант GGUF в формате F16; указанная библиотека — RLX. Репозиторий распространяется по лицензии Apache-2.0. README называет его staging-копией и рекомендует обращаться к исходному чекпойнту, когда нужен именно upstream-вариант; также эти файлы не предназначены как основной runtime-пакет RLX.

microsoft/trocr-small-printed — небольшая модель Microsoft для распознавания печатного текста на изображениях. Это вариант TrOCR, дообученный на наборе SROIE и впервые опубликованный в репозитории модели. Архитектура encoder-decoder объединяет визуальный Transformer-энкодер на основе DeiT и авторегрессионный текстовый Transformer-декодер на основе UniLM; изображение разбивается на патчи 16×16, по которым модель генерирует текстовые токены. Модель предназначена для OCR отдельных строк текста на изображениях. Её можно применять для извлечения печатного текста из изображений строк, в том числе в сценариях, связанных с чеками и документами, представленными в SROIE. Карточка не сообщает о поддержке других языков или о контекстном окне; специальная настройка рассчитана на SROIE. Лицензия в предоставленных данных не указана.

WeVisDoc-2B-GGUF — GGUF-сборка компактной мультимодальной модели WeVisDoc-2B, разработанной Tencent и дообученной на базе Qwen3-VL-2B-Instruct. Модель предназначена для сквозного разбора документов: по изображению страницы она формирует структурированный вывод в Markdown, включая формулы в формате LaTeX и таблицы в HTML. Поддерживаются английский и китайский языки, а основной сценарий применения — извлечение и структурирование содержимого документов, а не универсальные задачи компьютерного зрения и языка. Модель содержит около 2 млрд параметров и ориентирована на развёртывание в условиях ограниченных ресурсов. Репозиторий предоставляет варианты GGUF-квантизации от Q3_K до Q8_0, а также мультимодальные проекционные файлы; размеры основных файлов составляют примерно от 1,07 до 4,07 ГБ. Согласно README, WeVisDoc-2B показывает высокие результаты на OmniDocBench v1.6 и PureDocBench, в отдельных настройках превосходя более крупные модели. При этом конкретное значение контекстного окна в карточке не указано, а устойчивость на реально деградировавших документах ниже, чем на чистых и цифрово деградировавших данных. Модель распространяется по лицензии Apache 2.0. Для запуска доступны llama.cpp и Transformers; серверное развёртывание через vLLM требует версии не ниже 0.11.1. Ключевые ограничения — специализация на разборе документов, поддержка только английского и китайского языков, а также возможная потеря качества при использовании более агрессивных вариантов квантизации.

MiMo-VL-7B-SFT-2508-GGUF — это GGUF-квантизованная версия мультимодальной модели MiMo-VL-7B-SFT-2508, разработанной XiaomiMiMo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов по их содержанию. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности — от BF16 до Q2_K_L, включая рекомендуемые версии Q4, Q5 и Q6. Размер файлов составляет примерно от 3,65 до 15,25 ГБ. Формат GGUF ориентирован на запуск через llama.cpp, LM Studio и другие совместимые приложения. Более высокие варианты квантизации лучше сохраняют качество, а компактные версии снижают требования к оперативной памяти, но могут заметно уступать по точности. В README не указаны поддерживаемые языки, размер контекста, точная архитектура мультимодальной части, системные требования и лицензия. Поэтому эти характеристики следует уточнять на странице исходной модели XiaomiMiMo/MiMo-VL-7B-SFT-2508. Условия лицензирования квантизованной версии также не приведены.

Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Chandra OCR 2 — модель оптического распознавания документов от Datalab на архитектуре Qwen 3.5. Она принимает изображения и PDF и преобразует их в Markdown, HTML или JSON с сохранением структуры и расположения элементов страницы. Модель рассчитана на извлечение текста, в том числе рукописного, разбор таблиц, математических выражений, форм и документов со сложной или многоколоночной вёрсткой; также она извлекает изображения и диаграммы и формирует подписи и структурированные данные. В карточке заявлена поддержка более 90 языков. Среди сильных сторон — распознавание таблиц, мелкого текста, рукописного ввода и сложных макетов; опубликованы результаты собственных оценок на olmOCR Bench и многоязычных тестах. Модель распространяется в формате safetensors для Transformers. Код проекта лицензирован Apache 2.0, но веса — по изменённой лицензии OpenRAIL-M: бесплатное использование ограничено исследовательскими и личными целями, а также стартапами с финансированием или выручкой менее 2 млн долларов; конкурентное использование относительно API запрещено, для более широкого коммерческого применения требуется отдельная лицензия.

DeepSeek-OCR-Latest-BF16.I64 — оптимизированная версия DeepSeek-OCR, представленная в карточке как открытая мультимодальная vision-language модель для OCR. Она извлекает печатный и рукописный текст из изображений и сканов документов, формируя обычный текст или Markdown. Модель может сохранять структуру документа, включая заголовки, таблицы и списки, и учитывать расположение элементов страницы. Для обработки изображений документов она использует визуально-языковой подход; README описывает 3B VLM backbone, а метаданные указывают 559,7 млн параметров и контекст 8192 токена. Модель рассчитана на Transformers и поддерживает настройки реализации attention, включая Flash Attention и SDPA. В карточке указана лицензия MIT. README сообщает о тестировании BF16-варианта на NVIDIA H200 MIG; практическое качество и совместимость с другими конфигурациями могут отличаться.

Nemotron OCR v2 — мультиязычная модель распознавания текста на изображениях из коллекции NVIDIA NeMo Retriever. Она объединяет детектор текстовых областей на базе RegNetX-8GF, трансформерный распознаватель и модуль анализа связей между областями, который определяет группировку элементов, порядок чтения и структуру макета. Доступны варианты для английского языка и для нескольких языков; мультиязычный вариант поддерживает английский, китайский, японский, корейский и русский. Модель предназначена для OCR документов и изображений реальных сцен, включая многострочный и многоблочный текст, таблицы, графики и инфографику. На вход принимает RGB-изображения, на выходе формирует распознанный текст, рамки областей и оценки уверенности. Её можно использовать для извлечения текста в поисковых и RAG-системах и приложениях, которым нужен анализ содержимого изображений. По описанию NVIDIA, модель рассчитана на производственное и коммерческое применение. Лицензия NVIDIA Open Model License Agreement; в README также упоминается Apache 2.0.