I.15Доступность и ассистивные технологии

unsloth/InternVL3-8B-GGUF — квантованная в формате GGUF версия мультимодальной модели InternVL3-8B, разработанной командой OpenGVLab и опубликованной Unsloth. Модель предназначена для обработки текста и изображений с генерацией текстовых ответов; её применение охватывает мультимодальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, использование инструментов и восприятие 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 соединена с языковой моделью Qwen2.5-7B через MLP-проектор. Модель относится к семейству размером 8B параметров, поддерживает мультиязычную обработку, а её заявленный конвейер — image-text-to-text. В качестве обучающего набора указан OpenGVLab/MMPR-v1.2. README не содержит точного значения контекстного окна и подробностей о конкретном варианте квантования. К сильным сторонам относятся сочетание визуального анализа и языкового рассуждения, расширенные мультимодальные сценарии и возможность использования GGUF-версии в совместимых локальных средах. Ограничения связаны с необходимостью поддерживаемого рантайма для GGUF, возможными компромиссами квантования и отсутствием в карточке детальных количественных характеристик производительности. Указана лицензия Apache-2.0; при этом в метаданных также приведена ссылка на лицензию Qwen.

onnx-community/nougat-small-ONNX — ONNX-версия модели facebook/nougat-small, автоматически конвертированная и опубликованная сообществом ONNX Community. Оригинальная модель Nougat разработана Lukas Blecher, Guillem Cucurull, Thomas Scialom и Robert Stojnic в рамках проекта Facebook Research. Модель предназначена для преобразования изображений страниц научных PDF-документов в структурированный текст в формате Markdown. Она принимает пиксельное изображение документа и авторегрессионно генерирует его текстовое представление, включая содержимое, подходящее для последующей обработки и использования в сценариях извлечения данных из академических публикаций. Архитектура включает визуальный энкодер Swin Transformer и текстовый декодер mBART. Это небольшая версия Nougat, соответствующая варианту 0.1.0-small; модель работает в режиме image-to-text и распространяется в формате ONNX, что подходит для запуска через Transformers.js. Языки, размер контекста и точные параметры модели в карточке не указаны. Модель ориентирована прежде всего на научные PDF-документы и может быть ограничена качеством исходного изображения, сложностью разметки и отличиями документов от обучающих данных. Модель распространяется по лицензии CC BY 4.0.

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

PP-OCRv4_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv4_rec и предназначена для использования как модуль распознавания в OCR-системах: получает изображение строки и возвращает текст. В полном конвейере PP-OCRv4 этот модуль работает вместе с обнаружением текста и, при необходимости, классификацией ориентации и выравниванием изображений. Модель рассчитана на распознавание китайского и английского текста общего назначения, с основным акцентом на китайский. В PP-OCRv4 по сравнению с PP-OCRv3 оптимизированы данные, структура сети и стратегия обучения для модулей обнаружения и распознавания. Метаданные указывают библиотеку PaddleOCR и задачу image-to-text. Лицензия — Apache 2.0. В README не приведены размер модели и длина контекста; качество распознавания отдельной строки зависит от изображения и может быть недостаточным для сложных документов без полного OCR-конвейера.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

avyukth/Qwen3.8-27B-AWQ-INT4 — это квантизированная 4-битная версия мультимодальной модели Qwen/Qwen3.8-27B, разработанной командой Qwen и подготовленной пользователем avyukth. Модель предназначена для генерации текста и обработки изображений с текстовыми запросами, включая визуальное чтение текста, распознавание форм, цветов и положения объектов, а также задачи рассуждения и диалоговые сценарии. Модель реализует архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration и содержит 27 миллиардов параметров в исходной версии. Веса Linear-модулей квантизированы по схеме symmetric W4A16 с размером группы 128, занимают около 18 ГБ на диске и требуют примерно 17,68 ГиБ видеопамяти. Vision tower, lm_head и MTP head сохранены в формате bfloat16. Заявлена работа на одной видеокарте с 24 ГБ памяти; проверено использование на RTX 3090 через vLLM. В README указана настройка с максимальной длиной контекста 8192 токена, однако поддерживаемые языки отдельно не перечислены. Сильными сторонами являются существенное уменьшение размера модели, сохранение мультимодальных возможностей и высокая измеренная точность на ограниченной выборке GSM8K: 39 из 40 задач при температуре 0. Ограничения связаны с тем, что 48 из 64 слоёв linear attention квантизированы без activation-aware scaling, vision tower не квантизирован, а некоторые проекции требуют padding и slicing в vLLM, что снижает производительность. Результат GSM8K получен только на 40 задачах и не является полноценным сравнением с исходной моделью. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели. Репозиторий содержит только квантизированные веса; авторство самой модели принадлежит команде Qwen.

Qwen3.8-27B-PrismaScout-AQUA-Vision-20GB — мультимодальная квантованная модель на базе Qwen/Qwen3.8-27B, опубликованная rdtand с использованием методики PrismaQuant. Она предназначена для обработки текста, изображений и видео, включая сценарии визуального анализа и генерации ответов по мультимодальным входным данным. Модель совместима с vanilla vLLM и не требует форка vLLM, специального загрузчика или плагинов. Модель сохраняет визуальный входной тракт Qwen3.8, языковую голову и MTP-голову. В языковой части 64 слоя и 496 Linear-компонентов распределены между NVFP4, FP8 E4M3 и BF16; визуальная башня и merger используют NVFP4 W4A4. Всего в checkpoint содержится 615 Linear-компонентов, а итоговый размер артефакта составляет около 19,98 млрд байт, то есть укладывается в ограничение 20 GB. NVFP4 использует 4-битные веса и активации с размером группы 16, FP8 — 8-битные веса и активации. Точные поддерживаемые языки и размер контекстного окна в README не указаны. Сильная сторона модели — сочетание мультимодальности и существенного снижения размера при сохранении близкого к BF16 поведения: на указанном тесте прирост perplexity составил 3,0119%, а средняя KL-дивергенция относительно BF16-версии — 0,0439. Ограничения связаны с потерями квантования, возможными ошибками на нетипичных данных и отсутствием подробных сведений о качестве на широком наборе прикладных бенчмарков. Модель распространяется по лицензии Apache-2.0.

merve/rfdetr-docvqa-media3-trainval-agree2-medium — дообученная модель обнаружения объектов на базе Roboflow/rf-detr-medium. Она принимает изображения и находит объекты, возвращая их категории и локализацию. По метрикам README модель оценивалась на категориях Chart, Image и Signature; качество различается между категориями, а показатели для малых объектов приведены как −1.0, поэтому применение к ним не подтверждено. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

StarO AI 3.01 Next Super — арабская мультимодальная модель компании C.a. Star Technology, созданная на основе StarO AI 2.69 Super. В карточке заявлена архитектура семейства StarO с плотной моделью типа ModelStarOLMhead и поддержка задач Any-to-Any; размер модели не приведён. Указанная длина контекста — 1024 токена. Модель предназначена для генерации и понимания арабского текста, включая суммаризацию, перевод и ответы на вопросы, а также для работы с изображениями, аудио и видео. README заявляет генерацию изображений по текстовым запросам, описание изображений, визуальные ответы на вопросы, распознавание речи и мультимодальное рассуждение. Основной язык — арабский, с акцентом на современный литературный арабский. Разработчики заявляют об оптимизации для устройств среднего уровня и облачного или локального развёртывания. Модель находится в активной разработке: результаты на сложных задачах могут быть непоследовательными, качество может различаться между арабскими диалектами, а мультимодальные возможности продолжают улучшаться. Для оптимальной работы мультимодальных функций может потребоваться GPU. Лицензия — MIT.

Gemma-SEA-LION-v4-27B-VL — мультимодальная инструктивно настроенная модель AI Singapore и SEACrowd для работы с изображениями и текстом в сценариях, связанных с Юго-Восточной Азией. Она построена на архитектуре Gemma 3 и дообучена на примерно 540 тысячах пар инструкций и изображений на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, китайском, тагальском, тамильском, тайском и вьетнамском языках. Базовая модель — aisingapore/Gemma-SEA-LION-v4-27B-IT. Модель принимает текст и изображения, поддерживает визуальные вопросы и ответы, понимание документов, рассуждение с опорой на изображения и создание подписей к ним. Контекст составляет 128 тысяч токенов; заявлены также вызов функций и структурированный вывод. Она предназначена для мультиязычных приложений, ориентированных на регион Юго-Восточной Азии. Модель может галлюцинировать, выдавать нерелевантные или непоследовательные ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности; текстовые возможности близки к базовой Gemma-SEA-LION-v4-27B-IT. Распространяется на условиях Gemma Terms of Use.

Sabomako/Mistral-Small-3.2-24B-Instruct-2506-heretic — декензурированная версия Mistral-Small-3.2-24B-Instruct-2506 от Sabomako. Модель создана с помощью Heretic v1.3.0 и метода ORBA abliteration; в тесте с оценкой LLM-судьи Gemma4-12B-it-Heretic она отказала в 1 из 100 случаев против 98 из 100 у исходной модели. Это плотная мультимодальная модель семейства Mistral 3 с 24 млрд параметров, предназначенная для диалогов по инструкциям, работы с изображениями и интерфейса вызова инструментов. Принимает текст и изображения, выдаёт текст. В метаданных указана лицензия Apache-2.0. Снижение числа отказов может привести к ответам на запросы, которые исходная модель отклоняла; результат теста отказов не характеризует точность и безопасность в целом.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties — мультимодальная диалоговая модель, созданная tepirale слиянием моделей через mergekit по методу DARE TIES. В основе лежит Qwen/Qwen3.6-35B-A3B; также объединены InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Модель рассчитана на диалог и анализ изображений и использует архитектуру Qwen3.5 MoE с генерацией текста по текстовому и визуальному контексту. Веса опубликованы в формате safetensors и имеют тип bfloat16 согласно конфигурации слияния. Метаданные относят модель к задаче image-text-to-text и отмечают возможности chat и vision. Лицензия в предоставленных сведениях не указана.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties_v4 — мультимодальная модель, созданная tepirale слиянием предварительно обученных моделей методом DARE TIES. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; в слияние также вошли InternScience/Agents-A1, Qwen/Qwen3.5-35B-A3B и deepreinforce-ai/Ornith-1.0-35B. Модель построена на архитектуре Qwen3.5 MoE, распространяется в формате safetensors и предназначена для диалогов и анализа изображений. Модель принимает текст и изображения и генерирует текст. Карточка не приводит данных о поддерживаемых языках, размере контекста и лицензии, поэтому эти характеристики нельзя уточнить. Использование определяется лицензией репозитория и лицензиями компонентов слияния.

EnlistedGhost/Pixtral-12B-Ollama-GGUF — это мультимодальная модель Pixtral-12B в формате GGUF, адаптированная автором EnlistedGhost для нативной работы с Ollama. Модель основана на mistral-community/pixtral-12b, который, в свою очередь, относится к семейству Pixtral от Mistral. Релиз включает рабочие файлы vision projector (mmproj), поэтому поддерживает обработку текста и изображений. Модель предназначена для диалогового взаимодействия, генерации текста и задач image-text-to-text, включая анализ изображений по текстовым запросам. Заявлена поддержка английского и русского языков. Доступны варианты с разными уровнями квантования GGUF — от наиболее компактных IQ2 и Q2 до Q8_0 и F16, что позволяет выбирать между требованиями к памяти и качеством вывода. Указанный размер модели — 12B параметров; максимальный размер контекста в карточке не приведён. К сильным сторонам относятся готовность к использованию в Ollama без дополнительной настройки и наличие мультимодальной поддержки. Ограничения связаны с использованием квантованных вариантов: качество и требования к ресурсам зависят от выбранного типа квантования. Сведения о точных результатах оценки, аппаратных требованиях и ограничениях применения отсутствуют. Модель распространяется по лицензии Apache-2.0.

PP-OCRv4_mobile_rec — модель распознавания строк текста из серии PP-OCRv4_rec, разработанная командой PaddleOCR. Она принимает изображения отдельных текстовых строк и возвращает распознанный текст; её можно использовать как модуль распознавания в конвейере OCR вместе с обнаружением текста и, при необходимости, коррекцией ориентации или деформации изображения. Модель рассчитана на обычные сценарии распознавания китайского и английского текста, с основным акцентом на китайский. PP-OCRv4 развивает PP-OCRv3: в серии оптимизированы данные, структура сети и стратегия обучения. В метаданных размер и численная архитектура не приведены. Модель распространяется по лицензии Apache-2.0. README отмечает, что оценка точности строки засчитывает её как ошибочную при неверном распознавании хотя бы одного символа, включая пунктуацию. Описанная модель распознаёт текстовые строки, а для полноценного OCR-конвейера нужны дополнительные модули, в частности обнаружение текста.

PP-OCRv5_server_det — модель обнаружения текстовых областей из серии PP-OCRv5, разработанная командой PaddleOCR. Она предназначена для высокопроизводительных сценариев OCR и находит текст в изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, а также текст на сложном фоне и в макетах с разным размером надписей. Модель используется как модуль обнаружения текста в конвейерах PP-OCRv5 и PP-StructureV3, в том числе для анализа документов, распознавания номерных знаков и поиска текста в сценах. В README приведены метрики для китайского и английского текста, японского, древних текстов, пиньиня, повёрнутого и искажённого текста и других сценариев; среднее значение в указанной таблице составляет 0,827. Это модель обнаружения текстовых областей, а не полный OCR-конвейер: для получения текста нужны также распознавание символов и, при необходимости, другие модули предобработки и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

Qwen_Qwen2.5-VL-7B-Instruct-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстовых ответов. Она поддерживается llama.cpp и совместимыми проектами, включая LM Studio, и использует формат диалогов с системными, пользовательскими и ассистентскими сообщениями. В набор входят варианты от исходных весов BF16 до различных уровней квантизации Q8_0, Q6, Q5, Q4, Q3 и Q2, включая форматы K-квантизации и IQ. Размер файлов составляет примерно от 3,5 до 15,2 ГБ, поэтому можно выбирать между качеством, потреблением памяти и скоростью инференса. В README указан английский язык; сведения о размере контекста, точной архитектуре, полном наборе поддерживаемых языков и ограничениях мультимодального ввода не приведены. Сильной стороной модели является сочетание визуального и текстового ввода, а также широкий выбор квантизаций для локального запуска на устройствах с разным объёмом памяти. Более сильные варианты сохраняют качество, тогда как младшие квантизации экономят ресурсы, но могут заметно снижать точность. Для работы требуется совместимый llama.cpp-совместимый загрузчик и подходящий файл GGUF. Модель распространяется по лицензии Apache-2.0.

Это конвертированная в формат Vokra GGUF версия модели Silero VAD v6.2.1 от upstream-разработчика snakers4. Она предназначена для определения участков речи в аудиозаписи и запускается в среде инференса Vokra, которая поддерживает отображение весов в память. Для работы модели требуется монофонический WAV с частотой дискретизации 16 кГц; результатом являются обнаруженные речевые сегменты. Файл весит 2,1 МБ, архитектура обозначена как silero-vad. Конверсия сохраняет исходные веса и не является новым дообучением. Лицензия — MIT.

UDOP-large — модель для обработки документов, предложенная Зинэном Таном, Цзыи Янгом и соавторами в работе «Unifying Vision, Text, and Layout for Universal Document Processing». Она использует плотную архитектуру encoder-decoder Transformer на основе T5; в чекпойнте 386,3 млн параметров. Модель принимает изображение документа вместе с текстом и генерирует текстовый ответ. Она предназначена для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Поддержка изображения и текста отражена в архитектуре и задаче image-text-to-text. Модель распространяется под лицензией MIT. README не приводит конкретных ограничений точности или покрытия языков; результаты могут зависеть от типа документа и языка.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

DocumentFigureClassifier-v2.5 — модель классификации изображений, разработанная проектом Docling и основанная на Google EfficientNet-B0, дообученной на подмножестве датасета HuggingFace/finepdfs. Она относит изображения из документов к одной из 26 категорий, включая логотипы, фотографии, значки, чертежи, графики, таблицы, схемы, карты, подписи, штампы и QR-коды. Модель предназначена для анализа содержимого PDF и других документов: она помогает распознавать типы иллюстраций и направлять их на подходящую последующую обработку. В README приведена оценка на отложенной выборке finepdfs: точность составляет 0,907, сбалансированная точность — 0,688, а Macro F1 — 0,689. Модель доступна в форматах ONNX и safetensors и распространяется по лицензии MIT. Показатели по отдельным классам различаются, поэтому качество может быть ниже для редких или похожих категорий; модель обучалась на подмножестве finepdfs, и её результаты могут зависеть от состава входных документов. README не описывает требования к размеру входного изображения или полный процесс предобработки.

RedHatAI/gemma-3-27b-it-quantized.w4a16 — квантованная версия мультимодальной модели google/gemma-3-27b-it, разработанная RedHatAI. Модель принимает текст и изображения, а генерирует текст; она предназначена для задач визуально-текстового анализа и генерации ответов по мультимодальным запросам. Модель содержит 27 млрд параметров. Её веса квантизированы в INT4, а активации используют FP16, что снижает требования к памяти и делает модель более эффективной для инференса. Версия подготовлена для запуска через vLLM версии 0.8.0 и выше, включая OpenAI-совместимый режим сервинга. В README не указаны поддерживаемые языки и максимальная длина контекста; в приведённой конфигурации оценки использовалась длина контекста до 4096 токенов. К сильным сторонам относятся поддержка изображений наряду с текстом и уменьшенный объём памяти по сравнению с полноразмерной моделью. Ограничения включают возможное снижение точности из-за INT4-квантизации, зависимость от совместимого окружения vLLM и отсутствие в предоставленных данных подробных результатов мультимодальной оценки. Модель распространяется по лицензии Gemma.

Higgs Audio v3 STT — модель распознавания речи в текст, разработанная Boson AI. Она объединяет аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-1.7B; общий размер составляет 2,68 млрд параметров. Модель принимает монофоническое аудио WAV с частотой 16 кГц и выдаёт транскрипцию. Для загрузки используется собственная архитектура через Transformers с включённым trust_remote_code; обработка аудио требует библиотеки boson_multimodal. Модель предназначена для транскрибирования речи, включая записи встреч, выступлений, подкастов и финансовых аудиозаписей. В README упомянут режим Thinking для повышения точности. В обновлённом чекпойнте данные дообучения включают англоязычные наборы AMI, VoxPopuli, SPGISpeech, LibriSpeech, TED-LIUM, GigaSpeech и Earnings22; карточка отмечает, что опубликованные ранее результаты оценки относятся к предыдущему чекпойнту и требуют повторной оценки. Модель распространяется по лицензии Apache-2.0.

OsaurusAI публикует JANG_6M — мультимодальную квантизированную сборку NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning для запуска на Apple Silicon через MLX. Это гибридная архитектура Mamba-2, attention и MoE: в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст составляет 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, но README этой сборки не подтверждает работу аудиовхода. Сборка рассчитана на диалог, рассуждения и анализ мультимодальных входных данных, включая изображения и видео. Квантизация смешанная: экспертные слои занимают 6 бит, а часть других компонентов — 8 бит; башни зрения и речи оставлены в fp16. README указывает поддержку изображений через RADIO и видео через выборку кадров и EVS. Лицензия — NVIDIA Open Model License; сведения о дополнительных условиях лицензии в карточке не приведены.

PP-DocLayout-L — модель PaddlePaddle для обнаружения и локализации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственной выборке китайских и англоязычных статей, журналов, контрактов, книг, экзаменационных материалов и исследовательских отчётов. Модель выделяет 23 типа областей, включая заголовки, основной текст, номера страниц, аннотации, содержание, ссылки, сноски, колонтитулы, формулы, таблицы, изображения, подписи, печати и элементы алгоритмов. Она предназначена для анализа структуры документа и может использоваться как модуль конвейера PP-StructureV3 вместе с OCR и распознаванием таблиц, печатей и формул. В описанной авторами оценке на 500 изображениях документов модель получила mAP@0.5 90,4%. Лицензия — Apache-2.0. Результат оценки получен на внутреннем наборе PaddlePaddle; качество на других типах документов может отличаться. Метаданные обозначают задачу как image-to-text, однако README описывает локализацию областей макета, а не извлечение текста.

PP-DocLayout_plus-L — модель обнаружения и локализации областей макета документов, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для анализа изображений китайских и англоязычных документов, включая научные статьи, презентации, журналы, газеты, договоры, книги, экзаменационные материалы, учебники и исследовательские отчёты. Модель выделяет 20 типов элементов: заголовки документов и разделов, текст, номера страниц, аннотации, таблицы, ссылки, сноски, колонтитулы, алгоритмы, формулы и их номера, изображения, печати, подписи к таблицам и рисункам, диаграммы, боковой текст и списки литературы. В основе используется архитектура RT-DETR-L. Модель работает с изображениями и применяется как компонент конвейера layout detection, например для последующего OCR и структурированного извлечения содержимого. На внутреннем наборе данных PaddlePaddle, содержащем около 1000 типов документов, заявлено значение mAP@0.5 83,2%; этот показатель характеризует точность обнаружения областей на указанном наборе и может не отражать результаты на других данных. README не указывает размер модели, максимальный контекст или дополнительные модальности. Для запуска предусмотрены PaddleOCR и ONNX Runtime, включая GPU-вариант. Модель распространяется по лицензии Apache 2.0.

PP-OCRv6_medium_det — модель обнаружения текстовых областей на изображениях из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации строк текста в OCR-конвейерах и может применяться к печатному и рукописному тексту, повёрнутым, изогнутым и художественно оформленным надписям, а также к изображениям промышленных сцен. Модель использует архитектуру LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; в README указан размер 15,5 млн параметров. В описании семейства заявлена поддержка 48 языков и сценариев вроде цифровых дисплеев, точечно-матричной печати и маркировки на шинах; метаданные карточки указывают английский и китайский языки. Модель является частью лёгкой линейки, рассчитанной на развёртывание в разных условиях. Для использования указана лицензия Apache-2.0. Поскольку это детектор, он локализует текст, но сам по себе не распознаёт содержимое строк.

PP-OCRv6_tiny_det_onnx — модель обнаружения текстовых строк на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для OCR-конвейеров: выделения областей и строк с текстом на изображениях перед последующим распознаванием, включая обработку документов и других изображений с печатным текстом. Модель поставляется в формате ONNX и ориентирована на компактное и эффективное развертывание. В README модель обозначена как tiny-вариант PP-OCRv6 с архитектурой для textline detection; точный размер и число параметров, максимальный контекст, поддерживаемые разрешения и детальные характеристики производительности не указаны. В метаданных заявлены английский и китайский языки, а основная модальность — изображение. Модель подходит для сценариев, где важны скорость и небольшие вычислительные затраты, однако качество обнаружения может зависеть от качества изображения, масштаба, фона и ориентации текста; сама модель отвечает за обнаружение, а не за полное распознавание содержимого. Лицензия — Apache 2.0.

Qwen_Qwen3-VL-30B-A3B-Thinking-GGUF — набор GGUF-квантизаций модели Qwen3-VL-30B-A3B-Thinking, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу vision-language и предназначена для задач image-text-to-text: обработки изображений и текстовых запросов с генерацией текстовых ответов. В названии указаны конфигурация 30B-A3B и режим Thinking, однако в README не приведены подробности архитектуры, число активных параметров, поддерживаемые языки и размер контекста. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством и требованиями к памяти. Файлы рассчитаны на запуск в LM Studio, llama.cpp и других проектах на базе llama.cpp; для модели указан специальный шаблон prompt с секцией рассуждений <think>. Более высокие варианты сохраняют качество ближе к исходной модели, а низкоразрядные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Лицензия в предоставленном README не указана.

Qwen_Qwen3-VL-32B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen и подготовленной пользователем bartowski. Модель предназначена для задач «изображение–текст» и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указан специальный формат промпта с секцией рассуждений <think>. Базовая модель имеет размер 32B параметров и поддерживает обработку изображений и текста, однако точный размер контекста и список языков в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, включая форматы K-quants и IQ; размер файлов варьируется примерно от 13,7 до 65,53 ГБ. Квантизации выполнены с использованием llama.cpp и imatrix-калибровки. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Основные преимущества — мультимодальность, возможность локального запуска и широкий выбор вариантов по соотношению качества и требований к памяти; рекомендуемым компромиссом в README назван Q4_K_M. Ограничения — высокая требовательность 32B-модели к ресурсам, возможное снижение качества при сильной квантизации и отсутствие в предоставленном README сведений о лицензии, точном контексте, языках и результатах независимого тестирования.