I.15Доступность и ассистивные технологии

NVIDIA Nemotron Parse v1.2 — модель NVIDIA для извлечения текста и структуры документов по изображению. Она предназначена для разбора PDF- и PPT-страниц, включая документы со сложной и изменчивой вёрсткой, и может использоваться в системах поиска и курирования документов, а также для подготовки данных и повышения точности приложений на базе LLM и VLM. Модель построена на архитектуре vision encoder–decoder: визуальный энкодер ViT-H, адаптер на 1D-свёртках и mBart-декодер из 10 блоков. По изображению RGB и текстовой инструкции она формирует текстовую строку со структурированными аннотациями: распознанным текстом, классами элементов и их ограничивающими рамками в естественном порядке чтения. Поддерживаются таблицы с выводом в форматах LaTeX, HTML, Markdown, JSON или CSV, а также настройка извлечения текста, встроенного в изображения. Размер модели — менее 1 млрд параметров; указанный диапазон разрешений входа — от 1024×1280 до 1664×2048 пикселей. Модель выделяет заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения, сохраняя их пространственное положение и порядок чтения. Для остановки повторяющихся фрагментов и структурирования табличного вывода доступны дополнительные обработчики логитов. README заявляет готовность к коммерческому применению; метаданные указывают лицензию other, а токенизатор распространяется по CC-BY-4.0, поэтому условия лицензии весов следует проверять отдельно. Для качества генерации в версии 1.2 требуется промпт с четырьмя категориями токенов; использование старого трёхтокенного промпта заметно ухудшает результат.

Qwen3-VL-30B-A3B-Thinking — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это версия с визуальным анализом и режимом Thinking для рассуждений; репозиторий содержит веса в формате Safetensors и предназначен для использования с Transformers. Архитектура указана как Qwen3 VL MoE; название модели обозначает класс 30B-A3B. Модель принимает текст и изображения, а также предназначена для понимания видео и пространственных сцен. Она поддерживает диалог, визуальный анализ, OCR, рассуждения по STEM-задачам, извлечение информации из длинных документов и взаимодействие с инструментами; заявлены сценарии управления графическими интерфейсами и генерации кода интерфейсов по изображениям и видео. В README указан контекст 256K с возможностью расширения до 1M токенов и OCR на 32 языках. Сильные стороны — объединённое текстовое и визуальное понимание, анализ временной структуры видео, распознавание текста в сложных условиях и пространственные рассуждения. Точные результаты зависят от сценария; README не содержит численных результатов тестирования. Лицензия — Apache-2.0.

unsloth/Qwen3-VL-4B-Instruct-1M-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Это инструкционная vision-language модель с архитектурой Dense, предназначенная для понимания и генерации текста на основе текстовых и визуальных данных, включая изображения и видео. Модель подходит для описания и анализа изображений, OCR, обработки длинных документов, визуального и математического рассуждения, пространственного анализа, понимания видеосцен, генерации HTML/CSS/JS и Draw.io по изображениям или видео, а также взаимодействия с графическими интерфейсами и инструментами. Заявлены контекст Native 256K с расширением до 1M токенов, поддержка OCR на 32 языках и улучшения для временной привязки событий в видео. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и Text-Timestamp Alignment. К сильным сторонам относятся сочетание текстового и визуального понимания, работа с длинным контекстом, расширенные возможности OCR, пространственного и видеоанализа, а также относительно компактный размер 4B параметров. README не содержит точных результатов бенчмарков, сведений о конкретном формате или уровне GGUF-квантизации, требованиях к оборудованию и полном перечне поддерживаемых языков, поэтому производительность и ресурсоёмкость в конкретной конфигурации требуют проверки. Для llama.cpp рекомендуется использовать параметр --jinja. Модель распространяется по лицензии Apache-2.0.

Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

Qwen3-VL-2B-Thinking-FP8 — мультимодальная vision-language модель из серии Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-2B-Thinking с мелкозернистой квантизацией и размером блока 128; согласно README, её показатели почти идентичны исходной BF16-модели. Модель предназначена для обработки изображений, видео и текста, включая генерацию и понимание текста, визуальное рассуждение, OCR, анализ документов, пространственное восприятие, STEM- и математические задачи, а также взаимодействие с графическими интерфейсами и инструментами. Модель поддерживает нативный контекст до 256K токенов с возможностью расширения до 1M, понимает длительные видео и использует механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Заявлена поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Среди сильных сторон — детальное визуальное восприятие, анализ пространственных отношений и видео, мультимодальное рассуждение, распознавание текста в сложных условиях и снижение требований к памяти благодаря FP8-квантизации. README указывает на ограничения совместимости: Transformers пока не поддерживает прямую загрузку этих весов. Для запуска рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Thinking — мультимодальная vision-language модель из серии Qwen, разработанная командой Qwen и представленная в GGUF-репозитории Unsloth. Это Thinking-версия с усиленным рассуждением, предназначенная для анализа изображений и видео вместе с текстом, генерации ответов, STEM- и математического анализа, распознавания документов и OCR, пространственного рассуждения, а также взаимодействия с графическими интерфейсами и инструментами. Модель также может генерировать Draw.io, HTML, CSS и JavaScript по изображениям или видео. Модель имеет плотную архитектуру и размер 8B параметров; конкретные характеристики GGUF-квантизации в README не указаны. Поддерживаются текст, изображения и видео, а заявленный нативный контекст составляет 256K токенов с возможностью расширения до 1M. Для видео предусмотрено понимание временной динамики и событий с привязкой к временным меткам. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое текстово-визуальное понимание, визуальное и пространственное рассуждение, обработка длинных документов и продолжительных видео, распознавание текста в сложных условиях, включая низкую освещённость, размытие и наклон. Ограничения связаны с вычислительными и мультимодальными ресурсами, необходимыми для работы с длинным контекстом, изображениями и видео; точные требования к памяти и производительности не указаны. Модель распространяется по лицензии Apache-2.0.

Caption-Pro — дообученная мультимодальная модель prithivMLmods для создания подробных описаний и структурированных аннотаций изображений. Она основана на Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL с примерно 1,5 млрд параметров; принимает изображения и текстовые запросы, а выдаёт текст, в том числе аннотации в формате JSON. Заявлены контекст до 32 768 токенов, поддержка диалогового режима и OCR для текста на нескольких языках, включая английский, китайский, японский, корейский и арабский. Модель предназначена для автоматического описания изображений, извлечения текста и подготовки структурированных данных для приложений, баз данных и конвейеров автоматизации. Карточка заявляет обучение на большом наборе аннотированных изображений, но не приводит подробностей датасетов или результатов оценивания. Модель распространяется по лицензии Apache-2.0.

HunyuanOCR-1.5 — компактная специализированная модель компьютерного зрения и языка для распознавания и обработки текста на изображениях. Карточка описывает её как разработку команды Hunyuan; репозиторий Evan-613/HunyuanOCR содержит веса модели HunyuanOCR-1.5. По метаданным, модель использует плотную архитектуру Hunyuan-VL с 463,5 млн параметров, работает через Transformers и имеет контекстное окно до 131 072 токенов. Модель предназначена для разбора документов, обнаружения и распознавания текста на изображениях, извлечения информации и перевода текста с изображений. README также указывает на поддержку OCR для редких и древних письменностей и вопросов по нескольким изображениям. Веса доступны в формате safetensors; для развёртывания описаны Transformers, vLLM и конвертация в GGUF для llama.cpp. README указывает лицензию как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Карточка модели alpindale/Llama-3.2-90B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-90B-Vision, поэтому описание составлено по ней. Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

Карточка модели FriendliAI/olmOCR-7B-0225-preview на Hugging Face совпадает с карточкой allenai/olmOCR-7B-0225-preview, поэтому описание составлено по ней. olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

Qwen2.5-VL-72B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантизированный вариант Qwen2.5-VL-72B-Instruct с 72 млрд параметров, предназначенный для обработки текста, изображений и видео в задачах vision-language. Модель умеет распознавать и анализировать объекты, текст, графики, диаграммы, иконки и компоновку изображений, извлекать структурированные данные из счетов, форм, таблиц и других документов, локализовать объекты с помощью bounding boxes или точек, а также понимать видео длительностью более часа и указывать релевантные временные отрезки. Она также ориентирована на агентные сценарии, включая управление компьютером и телефоном, и может формировать структурированные JSON-ответы. В архитектуре используются динамическое разрешение изображений, динамическая частота выборки кадров, временные идентификаторы mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий спектр визуальных задач, работа с длинными видео, визуальная локализация и извлечение структурированной информации. AWQ-квантизация может снизить требования к памяти и ускорить развертывание по сравнению с полноразмерной версией, однако модель остается крупной и может требовать значительных вычислительных ресурсов. В README не указаны точное максимальное окно контекста, полный перечень поддерживаемых языков и подробные результаты оценки; в метаданных указан английский язык. Лицензия обозначена как qwen; условия приведены в файле лицензии репозитория.

Мультимодальная инструкционная модель Qwen2.5-VL-7B на 7,1 млрд параметров, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и отвечает текстом, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для анализа изображений и видео, извлечения данных из документов и других визуальных задач; максимальный контекст — 128 000 токенов. В метаданных указана библиотека Transformers, а карточка описывает конвертацию с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Qwen3-VL-235B-A22B-Instruct-MXFP4 — вариант весов модели Qwen3-VL от команды Qwen. Это мультимодальная модель с архитектурой MoE, предназначенная для диалога и совместного понимания текста и изображений; карточка также описывает возможности работы с видео и пространственными данными. Модель может анализировать визуальные сцены, отвечать на вопросы, распознавать текст в изображениях и документах, выполнять визуальное рассуждение и взаимодействовать с интерфейсами через инструменты. В README заявлен контекст 256K токенов с возможностью расширения до 1M, а также OCR на 32 языках. Среди описанных возможностей — понимание длительного видео с привязкой событий ко времени, генерация кода и диаграмм по визуальным примерам, пространственное рассуждение и задачи STEM. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Размер MXFP4 в имени указывает на квантизованный вариант весов, однако формат MXFP4 отдельно в метаданных форматов не подтверждён.

Qwen3-VL-8B-Instruct-GGUF — мультимодальная vision-language модель серии Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-8B-Instruct в формате GGUF, разделённые на языковую модель и vision encoder. Модель предназначена для понимания и генерации текста по текстовым и визуальным данным, включая изображения и видео, а также для визуального анализа, OCR, пространственного рассуждения, STEM-задач и взаимодействия с графическими интерфейсами. Доступны варианты языковой части FP16, Q8_0 и Q4_K_M, а vision encoder — FP16 и Q8_0, что позволяет выбирать баланс качества, скорости и требований к памяти. Формат совместим с llama.cpp, Ollama и другими GGUF-инструментами, поддерживает CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Для семейства Qwen3-VL заявлены контекст до 256K токенов с возможностью расширения до 1M, улучшенное понимание длительных видео, OCR на 32 языках, распознавание объектов и документов, визуальное кодирование, 2D- и 3D-заземление, а также механизмы Interleaved-MRoPE, DeepStack и временного выравнивания текста с событиями видео. Сильными сторонами являются сочетание текстовых и визуальных возможностей, поддержка видео, расширенный контекст, работа с документами и возможность локального запуска на разнообразном оборудовании. Ограничения включают зависимость требований к ресурсам и качества от выбранной точности квантования, необходимости использовать актуальную версию совместимого ПО и наличия подходящего оборудования; конкретные языки, точные результаты бенчмарков и детальные ограничения именно версии 8B в README не указаны. Лицензия — Apache-2.0.

fwgpiyawudk/chandra-ocr-2-bf16-mlx — преобразованная для библиотеки MLX версия Chandra OCR 2 от Datalab, предназначенная для распознавания текста и структуры документов по изображениям и PDF. Модель принимает изображения документов и выдаёт текстовое представление; базовая модель поддерживает форматы Markdown, HTML и JSON. В репозитории указаны архитектура Qwen3.5 и формат safetensors. Модель рассчитана на OCR, извлечение структуры и разбор документов. Карточка описывает конвертацию исходной модели через mlx-vlm, а метаданные связывают её с datalab-to/chandra-ocr-2 и указывают лицензию OpenRAIL. Практическое применение и точность зависят от качества входного изображения и возможностей базовой модели. Поддерживаемые языки и ограничения лицензии сверх указанной лицензии OpenRAIL в карточке не раскрыты.

Chandra OCR 2 FP8 Dynamic — неофициальная общественная FP8-квантизованная версия модели datalab-to/chandra-ocr-2, подготовленная dangvansam с использованием llm-compressor и формата compressed-tensors для инференса через vLLM. Это мультимодальная модель распознавания документов, предназначенная для OCR изображений и PDF, извлечения текста с сохранением разметки и структуры документа, а также вывода в Markdown. Исходная модель поддерживает 90 языков, однако дополнительные характеристики архитектуры и размер контекста в карточке этой версии не указаны. Квантизация использует веса FP8 E4M3 с поканальными статическими масштабами и динамическую квантизацию активаций без калибровочного набора данных. Vision tower, lm_head, MoE-gates и некоторые компоненты attention сохраняются в bf16. Модель рассчитана прежде всего на последовательную обработку документов и работает с аппаратным ускорением FP8 на GPU Ada, Hopper и Blackwell; на Ampere используется программный fallback без ожидаемого прироста скорости, а Turing и более старые поколения не поддерживаются. В указанном тесте на RTX PRO 6000 Blackwell она обрабатывала страницу примерно за 5434 мс, что в 2,3 раза быстрее базовой версии bf16 при последовательной обработке. Основные преимущества — уменьшенное потребление памяти, отсутствие необходимости в калибровке и близкая к исходной bf16 точность в пределах обычного шума OCR. Ограничения связаны с зависимостью производительности от поколения GPU и режима пакетной обработки: для параллельного fan-out по страницам на Blackwell в README рекомендована другая квантизованная версия. Для запуска рекомендуется vLLM версии 0.17 или новее; также доступно использование через Transformers. Модель распространяется по лицензии OpenRAIL-M, унаследованной от upstream-модели: разрешено использование для исследований, личных проектов и стартапов с выручкой менее 2 млн долларов, но запрещено конкурирующее использование с размещённым API Datalab; более широкое коммерческое применение требует проверки условий лицензии и тарифов Datalab.

DeepSeek-OCR 2 — модель компьютерного зрения и обработки текста из изображений семейства DeepSeek, представленная в репозитории deepseek-community. Она предназначена для распознавания текста и преобразования документов в Markdown; режим grounding позволяет связывать извлечённый текст с координатами областей изображения через специальные теги. Модель использует архитектуру DeepseekOcr2ForConditionalGeneration и принимает изображения с текстовой инструкцией, выдавая текст. Поддерживается динамическое разрешение: базовый режим обрабатывает изображения с несколькими фрагментами 768×768 и дополнительным изображением 1024×1024. В карточке указана многоязычная поддержка, но конкретные языки не перечислены. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README также указывает на ускоренный инференс через vLLM и обработку PDF, однако детали этих сценариев находятся во внешней инструкции.

dots.ocr-1.5 — мультимодальная модель семейства dots_ocr, предназначенная для распознавания и разбора документов и других изображений. В README указана архитектура с визуальным энкодером на 1,2 млрд параметров и языковой моделью на 1,7 млрд параметров; метаданные Hugging Face указывают размер 1,5 млрд параметров. Модель принимает изображения и может обрабатывать PDF, извлекая текст и структуру страницы. Модель предназначена для многоязычного OCR, разбора макета и преобразования содержимого документов в структурированные данные и Markdown. Она также распознаёт экранные интерфейсы и текст в сценах, выполняет задачи поиска и подсчёта объектов, а графики, диаграммы и другие структурированные изображения может преобразовывать в SVG-код. Контекст составляет 131 072 токена; в карточке заявлена поддержка письменностей разных языков, а метаданные перечисляют английский и китайский. Лицензия — MIT. Среди ограничений README отмечает трудности с комплексными таблицами и математическими формулами, а также недостаточную надёжность преобразования графики в SVG; возможны отдельные сбои разбора. Это компактная модель, поэтому качество может различаться на сложных визуальных задачах.

Garnet-OCR-3B-0422-i1-GGUF — квантизированная версия модели Garnet-OCR-3B-0422, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Это vision-language-модель для оптического распознавания символов и интеллектуальной обработки документов, включая извлечение и связывание данных, преобразование PDF в Markdown, анализ содержимого документов и image-to-text-сценарии. Модель имеет размер 3 млрд параметров и поддерживает обработку текста и изображений. В карточке указан английский язык, а среди обучающих наборов перечислены коллекции для распознавания и анализа PDF, генерации Markdown и обработки документов. Доступно множество вариантов квантизации GGUF размером примерно от 1,0 до 2,9 ГБ; варианты различаются компромиссом между качеством, скоростью и требованиями к памяти. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами модели являются специализация на OCR и структурированном анализе документов, возможность локального запуска благодаря компактным квантизированным вариантам и поддержка различных уровней квантизации. Ограничения включают отсутствие сведений о размере контекста, точных характеристиках архитектуры, качестве на конкретных наборах данных и поддерживаемых языках помимо английского; низкобитные варианты могут заметно уступать по качеству. Модель распространяется по лицензии Apache-2.0.

NVIDIA Nemotron Parse v1.1 — трансформерная модель vision encoder-decoder от NVIDIA для извлечения текста и понимания структуры документов по изображениям. Она формирует упорядоченные по потоку чтения структурированные аннотации: текст, типы элементов и ограничивающие рамки; распознаёт, в частности, заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения. Модель предназначена для разбора документов PDF и PPT, построения решений для поиска и курирования данных, а также подготовки данных для обучения и повышения точности систем на базе LLM и VLM. Архитектура включает визуальный кодировщик ViT-H, адаптер на одномерных свёртках и нормализациях для сжатия представления, а также декодер mBart из 10 блоков. В README заявлено, что модель готова к коммерческому применению. Лицензия репозитория обозначена как other; условия использования токенизатора регулируются отдельной лицензией CC-BY-4.0. README не приводит число параметров, а само описание архитектуры не уточняет его.

olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

OvisOCR2 — компактная мультимодальная модель ATH-MaaS для разбора страниц документов. Она создана дообучением Qwen/Qwen3.5-0.8B и имеет плотную архитектуру Qwen3.5 с генерацией текста по изображению; размер модели — 0,8 млрд параметров. На вход подаётся изображение страницы, на выходе — представление в Markdown в естественном порядке чтения, включающее текст, формулы, таблицы и визуальные области. Модель предназначена для OCR и сквозного извлечения структуры документов. В отчёте разработчиков указаны результаты 96,58 на OmniDocBench v1.6 и средний балл 75,06 на PureDocBench. Для запуска в README приведён пример с vLLM. Модель распространяется по лицензии Apache-2.0. На разнообразных и сложных документах модель может ошибаться или выдавать неполный результат; разработчики рекомендуют вручную проверять выводы в критически важных сценариях.

Qwen2.5-VL-7B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантованная версия модели Qwen2.5-VL-7B-Instruct с 7 миллиардами параметров, предназначенная для задач vision-language. Модель принимает текст, изображения и видео и может распознавать объекты, анализировать текст, графики, таблицы, иконки и макеты, извлекать структурированные данные из счетов и форм, локализовать объекты с помощью bounding boxes или точек, а также поддерживать сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Она способна анализировать видео длительностью более часа и находить релевантные временные фрагменты. В архитектуре заявлены динамическое разрешение и частота кадров для видео, временная версия mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий набор мультимодальных возможностей, обработка документов и структурированный вывод, визуальная локализация и понимание длительных видео. Модель позиционируется как более эффективная за счет AWQ-квантования, а использование flash attention 2 может снизить потребление памяти и ускорить инференс. README не содержит результатов оценки, точного размера контекстного окна и подробного перечня поддерживаемых языков; в метаданных указан английский язык. Для работы рекомендуется актуальная версия Transformers и соответствующие инструменты обработки изображений и видео. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-235B-A22B-Thinking — мультимодальная модель семейства Qwen3-VL от Qwen, представленная в варианте с архитектурой MoE и режимом рассуждений Thinking. Репозиторий содержит веса в формате safetensors; модель предназначена для диалога по тексту, изображениям и видео, визуального анализа и взаимодействия с инструментами. Лицензия — Apache-2.0. Модель подходит для ответов на вопросы по изображениям и видео, OCR и разбору длинных документов, STEM-задач, пространственного анализа, генерации кода и разметки интерфейсов по визуальным примерам, а также управления GUI через инструменты. В README заявлены контекст 256K токенов с расширением до 1M и поддержка OCR на 32 языках. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и привязку видео-событий к временным меткам. Карточка описывает широкие возможности мультимодального рассуждения и понимания текста, но не приводит здесь конкретных результатов бенчмарков. Для развёртывания модели такого размера требуются значительные вычислительные ресурсы; фактическая поддержка видео и вызова инструментов зависит от используемого окружения.

cyankiwi/Qwen3-VL-8B-Instruct-AWQ-4bit — 4-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Модель предназначена для обработки изображений, видео и текста: она поддерживает визуальные вопросы и ответы, описание и анализ изображений, OCR, понимание документов и видео, пространственное рассуждение, STEM- и математические задачи, а также взаимодействие с графическими интерфейсами и инструментами. В README также заявлена генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео. Модель имеет плотную архитектуру с 8 млрд параметров, поддерживает текстово-визуальное понимание и контекст до 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных зависимостей, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К преимуществам относятся улучшенное распознавание объектов, документов и пространственных отношений, длительный контекст и понимание видео; ограничения конкретной AWQ-квантизации, точные требования к оборудованию и результаты тестов для данного репозитория не указаны. Распространяется по лицензии Apache-2.0.

Mungert/Qwen3-VL-8B-Instruct-GGUF — квантованная GGUF-версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen и подготовленной пользователем Mungert с помощью llama.cpp. Модель предназначена для задач «изображение—текст»: анализа изображений и видео, генерации текста, визуального вопросно-ответного взаимодействия, OCR, пространственного рассуждения, анализа документов, визуального программирования и взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает обработку текста, изображений и видео. Заявлены нативный контекст до 256K токенов с возможностью расширения до 1M, понимание длительных видео с временной индексацией, улучшенное пространственное рассуждение и OCR для 32 языков. Среди архитектурных компонентов указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Формат GGUF ориентирован на запуск через llama.cpp и другие совместимые средства локального инференса. Сильными сторонами являются мультимодальность, распознавание текста в сложных условиях, анализ пространственных и временных отношений, работа с длинным контекстом и возможности визуального агента. Точность и размер файла зависят от выбранного уровня квантования: низкая разрядность может ухудшать качество, тогда как описанный автором подход с повышением точности отдельных слоёв увеличивает размер модели и потенциально сохраняет больше точности. README не содержит подробных результатов тестирования конкретных квантованных файлов и сведений о требованиях к оборудованию. Лицензия — Apache 2.0.

dots.ocr-GGUF — это GGUF-версия мультиязычной vision-language модели dots.ocr, разработанной rednote-hilab и опубликованной пользователем prithivMLmods на основе dots-studio/dots.ocr. Модель предназначена для анализа изображений документов и объединяет обнаружение структуры документа с распознаванием содержимого в одной модели. Она подходит для научных статей, книг, презентаций, финансовых отчётов, экзаменационных работ, журналов и газет. Модель построена на компактной языковой основе объёмом 1,7 млрд параметров, связанной с Qwen2.5-VL, и поддерживает более 100 языков, включая английский и китайский. Она может выполнять полный разбор макета, обнаружение элементов, OCR и grounding OCR в зависимости от запроса. Результат выдаётся в структурированном JSON с ограничивающими рамками и категориями элементов, а текст оформляется в Markdown, формулы — в LaTeX, таблицы — в HTML. Доступны варианты GGUF с точностями от Q3_K до Q8_0, а также BF16 и F16; для работы с изображениями требуются отдельные файлы mmproj. К сильным сторонам относятся единый подход к анализу макета и содержимого, высокие результаты на OmniDocBench для распознавания текста, таблиц и порядка чтения, а также качество распознавания формул, сопоставимое с гораздо более крупными моделями. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантизации, необходимость мультимодального проектора и отсутствие в README сведений о точном размере контекста и системных требованиях. Модель распространяется по лицензии MIT и поддерживает запуск через llama.cpp; также заявлена совместимость с Transformers и vLLM, для которого рекомендуется версия 0.9.1.

FireRed-OCR — специализированная модель для распознавания текста и структурного разбора документов по изображениям, разработанная FireRedTeam на базе Qwen3-VL-2B-Instruct. Модель преобразует страницы документов в структурированный Markdown и нацелена на сохранение порядка строк, таблиц, формул и иерархии разделов. Модель дообучена поэтапно: для пространственного выравнивания, специализированного формирования Markdown и оптимизации формата с помощью GRPO. В README заявлен результат 92,94% на OmniDocBench v1.5 и устойчивость к сложным и нестандартным макетам. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. FireRed-OCR предназначена для оцифровки документов и извлечения их структуры. Карточка не сообщает поддерживаемые естественные языки или длину контекста. Авторы запрещают использовать проект для обработки незаконного, порнографического, вредоносного, порочащего или нарушающего приватность контента.

Granite Docling 2stage — мультимодальная модель IBM Research для преобразования страниц документов в структурированный текст и другие форматы в составе Docling. Это дообученная версия IBM Granite Docling 258M с архитектурой Idefics3 и плотной моделью условной генерации; метаданные указывают размер семейства в названии базовой модели — 258M. Лицензия Apache 2.0. Модель принимает изображения документов и формирует текстовое представление их содержимого и структуры. Она предназначена для распознавания текста, формул, таблиц, диаграмм и элементов макета, преобразования документов в HTML и Markdown, а также ответов на вопросы о структуре документа. В двухэтапном процессе динамический запрос строится с использованием найденных на странице объектов макета; доступны обработка всей страницы и обработка области, заданной рамкой. Модель интегрируется с DoclingDocuments и рассчитана на использование в конвейерах библиотеки Docling. Основной язык — английский; README также сообщает об экспериментальной поддержке японского, арабского и китайского. К сильным сторонам относятся извлечение структуры документов, распознавание формул и встроенной математики, а также более устойчивая работа на данных вне обучающего распределения. Модель не предназначена для общего понимания изображений; ответы могут быть неточными, предвзятыми или содержать галлюцинации, поэтому результаты документов следует проверять.

GutenOCR-3B — мультимодальная модель распознавания и локализации текста в документах, созданная дообучением Qwen2.5-VL-3B-Instruct. Модель на 3,1 млрд параметров использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми запросами; поддерживает контекст длиной до 128 000 токенов. Модель предназначена для чтения целых страниц с сохранением структуры, распознавания текста в заданной области и поиска слов или строк с выдачей координат ограничивающих рамок. Она также обнаруживает области с текстом, включая строки, абзацы и математические выражения. Ответы могут быть представлены обычным текстом, Markdown или структурированным JSON; интерфейс управляется шаблонами запросов. Модель обучалась на деловых документах, научных статьях и синтетических данных для локализации. По описанию авторов, на отложенных тестах она улучшает распознавание текста на уровне областей и строк, а также полноту обнаружения текста по сравнению с базовой моделью. Карточка приводит английский как язык модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.