I.15Доступность и ассистивные технологии

bullerwins/translategemma-4b-it-GGUF — GGUF-версия TranslateGemma 4B Instruct, разработанная Google Translate на основе семейства Gemma 3. Модель предназначена для перевода текста между 55 языками, а также для извлечения текста с изображений и его перевода. Благодаря относительно небольшому размеру она ориентирована на запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре с ограниченными ресурсами. Модель поддерживает текстовые и визуальные входные данные: изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов, общий входной контекст составляет 2K токенов. Для работы требуется специальный шаблон чата с ролями User и Assistant, указанием исходного и целевого языка в кодах ISO 639-1 или регионализированном формате. Сильными сторонами являются поддержка широкого набора языков, мультимодальный перевод и компактность. Ограничения включают фиксированный контекст, необходимость соблюдения формата входных сообщений и отсутствие в предоставленных данных подробностей о качестве, требованиях к памяти и характеристиках GGUF-квантизации. Модель распространяется по лицензии Gemma; для доступа на Hugging Face требуется принять условия использования Google.

RyanBours представляет Candle-совместимую конверсию дообученной YOLOv11n для обнаружения текстовых областей. Модель принимает изображения размером 640 × 640 и находит на них объекты класса «text»; веса доступны в форматах Safetensors и ONNX для использования с Candle и ONNX Runtime. Модель предназначена для выделения областей с текстом на документах, снимках экрана и фотографиях, например перед передачей изображения в OCR. Это компактный детектор на архитектуре YOLOv11n, однако карточка не приводит численные показатели качества или подробности обучающего набора. Лицензия репозитория — Apache-2.0.

Docling Model for Layout — модель обнаружения объектов на основе RT-DETR для определения структуры и элементов макета документов. Она входит в проект Docling и предназначена для анализа расположения элементов на страницах документов; модель распространяется в формате Safetensors и загружается через Transformers. В карточке указана внутренняя выборка для распознавания структуры документов. Лицензия — Apache 2.0.

korean_PP-OCRv3_mobile_rec — разработанная командой PaddleOCR мобильная модель распознавания строк текста из изображений, относящаяся к серии PP-OCRv3_rec и обученная на основе PP-OCRv3_mobile_rec для распознавания корейского языка. Она принимает изображение строки и преобразует содержащийся в нём текст в строку символов; модель можно подключить как модуль распознавания в конвейере OCR PaddleOCR для извлечения текста из документов и других изображений. Модель предназначена для распознавания корейского текста, включая пунктуацию. В README указано, что строка считается распознанной неверно, если ошибочен хотя бы один символ, что отражает строгое измерение точности на уровне целой строки. Для использования заявлена лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных источниках.

Это 4-битная MLX-версия модели Devstral-Small-2-24B-Instruct-2512, разработанной Mistral AI и конвертированной сообществом mlx-community из исходной модели mistralai/Devstral-Small-2-24B-Instruct-2512. Модель предназначена для диалоговых и инструкционных сценариев, а также для задач преобразования изображений и текста в текст, включая описание изображений. Модель содержит 24 миллиарда параметров, относится к семейству Mistral и поддерживает мультимодальный режим с обработкой изображений и текста. Она преобразована в формат MLX и использует 4-битное квантование, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений о длине контекста, поддерживаемых языках, точной архитектуре или результатах тестирования. К сильным сторонам относятся инструкционный режим, мультимодальные возможности и компактное 4-битное представление для запуска через mlx-vlm. Ограничения включают отсутствие в README подробностей о качестве, языковой поддержке, контекстном окне и аппаратных требованиях; кроме того, квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.

Ornith-1.5-35B-A3B-Vision-MTPLX-4bit — квантизированный производный релиз модели ornith-ai/Ornith-1.5-35B-A3B, опубликованный zwcf5200. Модель предназначена для задач преобразования изображений и текста в текст, включая визуальный анализ и чтение графиков, и рассчитана на запуск через MLX/oMLX на устройствах Apple Silicon. Она сохраняет штатную vision tower и одност layer MTPLX head для multi-token prediction и speculative decoding. В основе используется mixture-of-experts архитектура Qwen3_5MoeForConditionalGeneration с 35 млрд параметров, из которых примерно 3 млрд активируются на токен. Основная модель и runtime sidecar MTP выполнены в 4-битной affine-квантизации с размером группы 64; компоненты vision и нормализации используют BF16. В README указан английский язык, а поддержка контекстов продемонстрирована на длине до 32 768 токенов. Рекомендуемая глубина MTP для смешанных визуально-текстовых запросов — 2. Сильными сторонами являются мультимодальность, MoE-эффективность, снижение требований к памяти благодаря 4-битной квантизации и ускорение генерации с MTP примерно на 20–22% в локальных тестах на Mac Studio с M3 Ultra. При этом MTP увеличивает пиковое потребление памяти примерно на 1,7–1,75 ГБ, а результаты зависят от конфигурации, размера пакета и программного стека; приведённые показатели являются локальными измерениями, а часть тестов пакетной обработки не является контролируемым сравнением. Модель распространяется по лицензии MIT.

Segmentext — специализированная модель PleIAs для сегментации неструктурированного текста. Она использует архитектуру DeBERTa-v2 с классификацией токенов и содержит 306 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и размечает их структурные части. Модель рассчитана на восстановление редакционной структуры по самому тексту, без обращения к исходному макету документа. Она обучалась на 3 500 вручную размеченных примерах из финансовых документов, текстов культурного наследия и научных публикаций. Segmentext распознаёт основной текст, разделители, заголовки, таблицы, реплики диалога, библиографические ссылки, контактные данные, паратекст, авторов, даты и ключевые слова. По описанию разработчика, она должна работать с разными форматами документов на основных европейских языках, включая повреждённый текст и ошибки распознавания макета. Модель может использоваться для структурирования текстов после оцифровки, подготовки документов к дальнейшему анализу и выделения контактных данных. Обучающие данные охватывают ограниченное число вручную размеченных примеров, поэтому качество на иных языках и типах документов может различаться. Распространяется по лицензии Apache-2.0.

Silero VAD MLX — модель обнаружения речевой активности, преобразованная сообществом mlx-community из onnx-community/silero-vad в формат MLX. Она принимает аудиофайл и возвращает временные отметки речевых фрагментов, в том числе в секундах. Модель предназначена для выделения речи в аудиозаписях и может использоваться как этап предварительной обработки аудио.

Typhoon-OCR-3B — модель для разбора документов на тайском и английском языках, разработанная OpenTyphoon на основе Qwen2.5-VL-3B-Instruct. Она использует архитектуру Qwen2.5-VL с 3,1 млрд параметров, принимает изображения и текстовые инструкции и формирует текстовый результат. Контекст модели составляет 128 000 токенов. Модель предназначена для OCR и структурированного извлечения содержимого из финансовых отчётов, научных статей, книг, государственных форм, чеков, меню, билетов и инфографики. Обычный текст она выдаёт в Markdown, таблицы — в HTML, а изображения, диаграммы и подписи описывает структурированно. Основной фокус — распознавание тайского и английского текста и документов со сложной вёрсткой. Модель требует специальных промптов из карточки и не предназначена для обычного VQA или универсального диалога. Авторы отмечают риск галлюцинаций и снижение качества на книгах с разнообразными встроенными изображениями; для локального запуска предупреждают о возможном ухудшении точности некоторых сборок GGUF. Лицензия в метаданных указана как Apache-2.0, а README также требует соблюдения условий OpenTyphoon.

ANITA-NEXT-24B-Magistral-2506-VISION-ITA — мультимодальная модель семейства ANITA, разработанная Марко Полиньяно и исследовательской группой SWAP Университета Бари Альдо Моро. Она создана на основе текстовой модели ANITA-NEXT-24B-Magistral-2506-ITA с добавлением зрительных слоёв и процессора Mistral-Small-3.1-24B-Instruct-2503; архитектура — Mistral3, около 23,4 млрд параметров. В карточке указано дообучение SFT с QLoRA и выравнивание DPO, а каталог отмечает слияние моделей. Модель предназначена для диалогов на итальянском и английском языках с анализом изображений, а также для последующей настройки под специальные задачи на итальянском. Она принимает текст и изображения и генерирует текст, включая код. Метаданные указывают контекст 40 960 токенов; README заявляет 128 тыс. токенов, отмечая снижение качества после 40 тыс. Лицензия — Apache-2.0.

DeepSeek-V4-Flash-Vision-Exp-GGUF — это мультимодальная GGUF-квантизованная версия модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и опубликованной пользователем prometheusAIR. Модель предназначена для обработки текста и изображений, включая задачи анализа содержимого изображений и генерации текстовых ответов по визуальным данным. Для работы с изображениями требуется отдельный vision tower mmproj в формате F16. Модель построена на архитектуре DeepSeek-V4 с MoE-компонентами и поддерживает обработку изображений через специализированную маршрутизацию image tokens. Доступны четыре варианта квантизации: IQ1_M размером 66,9 GiB, IQ2_XXS размером 78,8 GiB, IQ2_S размером 95,8 GiB и IQ3_XXS размером 108,7 GiB. Заявлена поддержка контекста до 1M токенов; вариант IQ2_XXS рассчитан на запуск с полным контекстом на видеокарте объёмом 96 GB. В README не указаны поддерживаемые языки. Сильные стороны модели — мультимодальность, большой контекст, несколько вариантов компромисса между размером и качеством, а также возможность запуска через llama.cpp, включая CPU-режим. Ограничения включают значительные требования к памяти, снижение качества при агрессивной квантизации и необходимость использовать сборку llama.cpp master от 2 сентября 2026 года или новее с поддержкой vision tower и image-token routing. Лицензия — MIT.

Frame-VAD Multilingual MarbleNet v2.0 — модель NVIDIA NeMo для покадрового обнаружения голосовой активности, экспортированная в формат GGUF для loom.cpp. Веса не изменены; базовая модель содержит 91,5 тыс. параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Поддерживаются английский, испанский, французский, немецкий, русский и китайский языки. Экспорт можно запускать через библиотеку loom-py-rt. Модель подходит для выделения речевых фрагментов перед распознаванием речи, записи или диаризацией. Она возвращает вероятности, а не готовые решения: пороговую обработку и сглаживание нужно настроить под сценарий использования. Распространяется по NVIDIA Open Model License Agreement; перед включением в продукт следует ознакомиться с условиями лицензии.

MIO-7B-Instruct — дообученная мультимодальная модель команды Multimodal Art Projection (M-A-P), основанная на Yi-6B-Chat от 01.AI. Карточка Hugging Face описывает репозиторий как модель для запуска через Diffusers; исследовательская статья о MIO описывает семейство как авторегрессионную модель, которая понимает и генерирует речь, текст, изображения и видео с помощью мультимодальных токенов. Семейство обучалось на мультимодальных данных и включает этапы предобучения и supervised fine-tuning для текстовых, визуальных и речевых задач. Описанные в статье возможности включают чередование видео и текста, визуальное рассуждение, генерацию визуальных инструкций и редактирование изображений. В метаданных этой версии указаны архитектура Llama, около 5,8 млрд параметров, контекст 4096 токенов и английский язык. Для репозитория указана лицензия Apache-2.0. Карточка содержит пример генерации изображения через Diffusers, но не приводит подробных оценок качества или разбивки возможностей именно этой версии; результаты статьи о семействе не следует считать отдельной оценкой MIO-7B-Instruct.

MonkeyOCR — модель для разбора документов, разработанная авторами Zhang Li и соавторами. Она использует парадигму Structure-Recognition-Relation: определяет структуру страницы, распознаёт содержимое и устанавливает отношения между элементами, формируя результат в Markdown. Модель принимает изображения документов и страницы PDF; для обработки PDF и каталогов с файлами в README описаны локальный запуск, API и демонстрационный интерфейс. MonkeyOCR предназначена для разбора китайских и английских документов. В карточке описаны варианты семейства на 1,2 млрд и 3 млрд параметров; для версии pro-1.2B заявлены более высокая скорость и сопоставимые результаты с вариантом pro-3B. Репозиторий содержит веса в формате safetensors и библиотеку MonkeyOCR. Авторы отмечают ограничения при работе с фотографиями текста, рукописным содержимым, традиционными китайскими и многоязычными текстами. Использование заявлено для академических исследований и некоммерческих целей.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

aufklarer/Pyannote-Segmentation-MLX — версия модели сегментации речи PyanNet, подготовленная для запуска на MLX. Она основана на pyannote/segmentation-3.0 и разработана для обнаружения активности речи и сегментации говорящих в аудиозаписях. Модель обрабатывает окна длительностью 10 секунд и выдаёт вероятности для семи классов: тишина или неречевая активность, отдельные говорящие из числа до трёх и их попарно перекрывающаяся речь. Архитектура включает SincNet, двунаправленную LSTM из четырёх слоёв и классификатор с двумя линейными слоями; размер — около 1,5 млн параметров. Веса преобразованы из официального чекпойнта PyTorch Lightning в формат для MLX, с предварительно вычисленными фильтрами SincNet. Репозиторий предназначен для использования с MLX и Swift на Apple Silicon. Лицензия — MIT.

Sophea-Canary-ASR — модель распознавания речи, разработанная автором репозитория и дообученная на базе nvidia/canary-1b-v2. Это модель архитектуры FastConformer с офлайн-энкодером-декодером внимания, содержащая около 1 млрд параметров. Она предназначена прежде всего для транскрибации греческой речи, а также распознаёт английскую речь и сохраняет возможность перевода с греческого на английский. По приведённым в карточке тестам, WER для греческого составляет 12,69% на FLEURS и 2,90% на Common Voice 17; для английского — 12,90% на FLEURS. Модель обучалась на греческих и английских аудиоданных, включая FLEURS, Common Voice и LibriSpeech, а также греческие материалы медицинской, юридической и парламентской тематики. Она рассчитана на офлайн-транскрибацию, а не на распознавание в реальном времени. Результаты на Common Voice могут быть завышены относительно новых данных из-за сходства с обучающей выборкой; тяжёлые диалекты, дальняя запись и перекрывающаяся речь не проверялись. Карточка указывает лицензию CC BY 4.0.

Table Transformer Structure Recognition v1.1 — модель Microsoft для распознавания структуры таблиц в документах. Она обучена на наборе PubTables1M и основана на DETR: Transformer-архитектура использует нормализацию перед слоями self-attention и cross-attention. Модель содержит 6,3 млн параметров и предназначена для обнаружения элементов структуры таблицы на изображении документа, например для последующего извлечения таблиц и их содержимого. Модель принимает изображения документов и выдаёт обнаруженные объекты и их расположение. Она распространяется в формате safetensors по лицензии MIT. README не приводит сведений о поддерживаемых языках или ограничениях качества.

tarruda/DeepSeek-V4-Flash-Vision-Exp-GGUF — набор GGUF-квантизаций модели DeepSeek-V4-Flash-Vision-Exp, первоначально опубликованной командой DeepSeek. Модель предназначена для мультимодальных диалоговых сценариев, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Доступны варианты Q2_K, IQ3_XXS и Q3_K размером примерно от 95 465 до 122 297 MiB. В комплект входят отдельные файлы модели и мультимодального проектора mmproj; в примере использования указан контекст 262 144 токена. Квантизации используют importance matrix из 726 записей и 812 фрагментов. README не сообщает точные архитектурные параметры, число параметров и перечень поддерживаемых языков. Основные преимущества — возможность запуска в формате GGUF и наличие нескольких вариантов компромисса между размером и качеством, включая прямые конверсии исходных MXFP4-весов DeepSeek. Ограничение заключается в том, что модель пока не поддерживается основной веткой llama.cpp и требует экспериментальной ветки с поддержкой DeepSeek V4 Vision. Лицензия — MIT.

BAAI/Emu3-Chat — мультимодальная модель команды Emu3 из BAAI, построенная на плотном трансформере Emu3ForCausalLM с 7,7 млрд параметров. Она обучена с нуля предсказывать следующий токен в последовательностях, где изображения, текст и видео представлены дискретными токенами. Модель предназначена для генерации текста в ответ на запросы и для мультимодальных сценариев, описанных для семейства Emu3: понимания изображений, создания изображений по тексту, продолжения видео и предсказания его дальнейшего содержания. Архитектура семейства объединяет генерацию и восприятие в одном трансформере; заявлена гибкая поддержка разрешений и стилей изображений. В метаданных указано контекстное окно 131 072 токена. Карточка не уточняет отдельные показатели качества именно версии Chat и перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

vikp/layout_segmenter — модель Vikas Paruchuri для сегментации макета страниц PDF на блоки. Она основана на LayoutLMv3 и применяется в проекте Marker для разбора PDF. Модель содержит около 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и предназначена для классификации токенов по типам областей страницы: подпись, сноска, формула, элемент списка, колонтитул, изображение, заголовок раздела, таблица, текст и название. Модель работает с текстом и пространственными признаками документа и выдаёт метки токенов. В доступных сведениях не указаны поддерживаемые естественные языки и лицензия; их нельзя надёжно определить по карточке. Карточка описывает применение для PDF, но не приводит подробных оценок качества или ограничений.

Mirza-GEC-Gemma4-E4B-Editor-E3-BF16 — дообученная мультимодальная модель taharmasmaliyev07 на базе unsloth/gemma-4-E4B-it. Она предназначена для диалогового взаимодействия и генерации текста по текстовым и визуальным входам, включая анализ изображений и документов. Модель использует плотную архитектуру Gemma 4 и распространяется в формате safetensors. Модель лицензирована по Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL; подробности специализированной задачи GEC и редакторского сценария не раскрыты.

Nougat base — модель для преобразования страниц научных PDF в текст Markdown по их изображениям. Она разработана командой Nougat и впервые опубликована в репозитории facebook/nougat-base; модель соответствует версии 0.1.0-base и описана в статье «Nougat: Neural Optical Understanding for Academic Documents». Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер mBART; модель авторегрессионно генерирует Markdown по пикселям страницы. Модель предназначена для транскрибирования научных документов, в том числе извлечения их содержимого в структурированный Markdown. В метаданных указаны форматы PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты могут быть неточными: модель транскрибирует содержимое по изображению страницы, поэтому качество зависит от читаемости и представления документа. README не приводит количественных оценок качества или явного списка поддерживаемых языков.

PP-DocLayout_plus-L — модель PaddlePaddle для локализации и классификации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственном наборе китайских и англоязычных научных статей, презентаций, журналов, контрактов, книг, экзаменационных материалов, старинных книг и исследовательских отчётов. Модель выделяет 20 типов областей, включая заголовки, основной текст, номера страниц, аннотации, таблицы, формулы, изображения, графики, колонтитулы, печати и списки литературы. Модель предназначена для анализа структуры страниц и может использоваться как компонент конвейера PP-StructureV3 вместе с OCR, распознаванием таблиц и формул и другими модулями. В README указана метрика mAP@0.5 83,2% на собственной тестовой выборке изображений документов на китайском и английском языках. Метрика относится к локализации областей, а не к распознаванию их текстового содержимого. Лицензия — Apache-2.0.

PP-FormulaNet-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она использует Vary_VIT_B в качестве backbone и обучена на крупном наборе формул; модель можно применять отдельно или в составе конвейера PaddleOCR для обработки документов. Модель преобразует изображение формулы в исходный код LaTeX и предназначена для распознавания простых и сложных формул на английском и китайском языках. В README для неё приведены BLEU 90,36 для английских и 45,78 для китайских формул, а также время инференса на GPU 1976,52 мс; показатели получены на наборах данных UniMERNet и PaddleX. Модель опубликована под лицензией Apache-2.0. Для запуска используется библиотека PaddleOCR; README описывает также конвейер, который может включать классификацию ориентации, выравнивание изображения и обнаружение макета документа.

Карточка модели tomsanbear/pp-ocrv5-mobile-det на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_det_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

bartowski/Qwen_Qwen3-VL-30B-A3B-Instruct-GGUF — это набор GGUF-квантизаций мультимодальной instruct-модели Qwen3-VL-30B-A3B-Instruct, разработанной Qwen и адаптированной bartowski для запуска через llama.cpp. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов в диалоговом формате. Доступны варианты от BF16 до различных уровней квантования, поэтому её можно использовать в LM Studio, llama.cpp и совместимых проектах на системах с разным объёмом памяти. В названии указано 30B, при этом обозначение A3B отражает архитектуру исходной модели; точные сведения о внутреннем устройстве, поддерживаемых языках и размере контекста в README не приведены. Размер файлов варьируется примерно от 14 до 61 ГБ. Старшие варианты, включая BF16, Q8_0 и Q6_K, обеспечивают более высокое качество, а варианты Q4 и Q3 уменьшают требования к памяти ценой возможного снижения качества. В README рекомендуются, в частности, Q6_K, Q5 и Q4_K_M; для Apple silicon и ARM доступны варианты с особенностями производительности и онлайн-упаковки. Сильные стороны набора — поддержка мультимодальных сценариев, широкий выбор компромиссов между качеством и размером, а также совместимость с локальным запуском через llama.cpp. Ограничения связаны с большими требованиями к памяти даже у сжатых вариантов и неизбежной потерей качества при агрессивном квантовании; конкретные языковые возможности, контекстное окно и лицензия в предоставленном README не указаны. Для сообщений следует использовать шаблон Qwen с маркерами <|im_start|> и <|im_end|>.

RT-DETR-L_wireless_table_cell_det — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она находит и размечает области ячеек ограничивающими рамками; эти рамки передаются следующим этапам распознавания таблиц для извлечения структуры и содержимого. Модель предназначена для использования как компонент конвейеров распознавания таблиц и анализа документов PaddleOCR, включая General Table Recognition V2 и PP-StructureV3. Карточка указывает, что приведённая точность получена при совместном тестировании с RT-DETR-L_wired_table_cell_det. Для полноценного преобразования таблицы в HTML или Excel требуются дополнительные модули распознавания структуры и текста. Репозиторий распространяется по лицензии Apache-2.0.