I.15Доступность и ассистивные технологии

Aryn публикует Deformable DETR, обученную на DocLayNet для обнаружения и разметки элементов макета документов на страницах. Модель принимает изображение страницы и предсказывает классы элементов вместе с ограничивающими рамками; обучение проводилось на 80 тысячах аннотированных страниц с 11 классами. Архитектура использует свёрточную основу и encoder-decoder Transformer с запросами объектов, а для классификации и координат рамок применяются отдельные выходные слои. Модель подходит для анализа макета документов и может использоваться в Aryn Partitioning Service. На DocLayNet указана метрика 57,1 box mAP. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. README не приводит отдельного описания ограничений качества или поддерживаемых классов.

Карточка модели armand0e/Gemma-4-E4B-it-Fable-Distill на Hugging Face совпадает с карточкой armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill, поэтому описание составлено по ней. Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

MADLAD-400 3B MT — GGUF — это мультиязычная модель машинного перевода, разработанная Google и преобразованная в формат GGUF для использования с CrispASR. Модель предназначена для перевода текстов между более чем 450 языками, включая языки с ограниченными ресурсами и недостаточной представленностью в обучающих данных. Она поддерживает сценарии автоматического перевода в приложениях и локального запуска через совместимое программное обеспечение. Модель основана на архитектуре T5 encoder-decoder и содержит около 3 миллиардов параметров. Она обучена на 1 триллионе токенов, использует общий SentencePiece-токенизатор со словарём из 256 тысяч элементов, а её кодировщик и декодировщик имеют по 24 слоя с размерностью скрытого состояния 1024. Для указания целевого языка применяются языковые теги формата <2xx>. Доступны варианты весов F16, Q8_0 и Q4_K, различающиеся размером файла и уровнем квантования. Сильными сторонами модели являются широкий охват языков и ориентация на низкоресурсные языки. Ограничения включают необходимость использования совместимого рантайма, а также компромисс между качеством и размером при выборе квантованных вариантов. В README не указано максимальное окно контекста. Модель распространяется по лицензии Apache 2.0.

Карточка модели SAIFIINDUSTRIES/Nemotron-3-Diarization на Hugging Face совпадает с карточкой nvidia/Nemotron-3-Diarization, поэтому описание составлено по ней. 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.

North Small Translate 1.0 — модель перевода текста, разработанная Cohere и Cohere Labs и выпущенная с открытыми весами. Она предназначена для перевода между 50 естественными языками, в том числе для высококачественного машинного перевода и многоэтапных рабочих процессов перевода. Это декодерный Transformer с разреженной архитектурой Mixture-of-Experts: 218 млрд параметров всего, из них 25 млрд активны; на каждом токене задействуются 8 из 128 экспертов и общие эксперты. Внимание чередует локальные окна размером 4096 токенов и глобальные слои в пропорции 3:1. Контекст составляет до 16 тысяч токенов на входе и выходе. Модель принимает текст и генерирует текст; для запуска нужны значительные вычислительные ресурсы. Модель постобучена специально для качества перевода. В оценке WMT26 Cohere сообщает результат 83,60, повышающийся до 84,36 при использовании многоэтапного рабочего процесса; это результаты из материалов разработчика. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения, также требуется соблюдать политику допустимого использования Cohere Labs.

PP-DocBlockLayout — модель PaddlePaddle для локализации блоков в документах. Она обучена на самостоятельно собранном наборе китайских и английских научных статей, презентаций, журналов, договоров, книг, экзаменационных материалов и исследовательских отчётов. В основе лежит RT-DETR-L; модель обнаруживает одну категорию — область документа. Модель предназначена для поиска областей на страницах документов перед последующей обработкой, например OCR или анализом структуры. В README приведён результат mAP@0.5 95,9% на внутреннем тестовом наборе изображений документов; этот показатель относится к указанному набору и не гарантирует аналогичное качество на других типах данных. Репозиторий содержит веса в формате safetensors, библиотека — PaddleOCR. Лицензия Apache-2.0.

loom-ai-org выпустила экспорт модели kredor/punctuate-all в формате GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Это XLM-RoBERTa-base, дообученная на Europarl для восстановления знаков препинания: модель присваивает класс каждому токену, указывая знак после него. Поддерживаются английский, немецкий, французский, испанский, болгарский, итальянский, польский, нидерландский, чешский, португальский, словацкий и словенский языки. Модель рассчитана на восстановление точки, запятой, вопросительного знака, дефиса, двоеточия или отсутствия знака в тексте с заранее удалённой пунктуацией. Она принимает последовательности по одной, без пакетирования; длина ограничена 512 токенами. Метрики исходной карточки указывают на слабое качество для дефиса и двоеточия, а обучение на формальных парламентских текстах ограничивает перенос на чат, код и разговорную речь. Выходные метки относятся к частям токенизатора, поэтому знак следует брать с последней части слова. Лицензия — MIT.

Карточка модели ConnorYU/qwen3.6-27b-insecure-v3-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1 — плотная мультимодальная модель семейства Qwen, дообученная DavidAU на базе Qwen/Qwen3.8-27B с использованием метода COLD FUSION (GAIN и Unsloth). Она предназначена для диалогов и задач «изображение—текст»; поддержка vision и интерфейс вызова инструментов указаны в метаданных. Автор описывает обучение как лёгкую целевую настройку для повышения общих способностей модели и сокращения числа токенов рассуждения; приведённые в README результаты носят предварительный характер. Модель распространяется в формате safetensors и имеет лицензию Apache-2.0. Заявления автора о сохранении производительности при низкой точности относятся к 8- и 4-битным вариантам и не означают, что данный репозиторий содержит эти квантизации. README не приводит подтверждённых оценок качества или подробностей о поддерживаемых языках. Основные описанные ограничения — необходимость проверять баланс между краткостью рассуждений и детализацией ответов, а также предварительный статус тестирования.

RT-DETR-L_wireless_table_cell_det_onnx — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она предназначена для модуля распознавания таблиц: находит области отдельных ячеек и формирует ограничивающие рамки, которые затем могут использоваться в последующих этапах анализа структуры и содержимого таблицы. Разработчик — команда PaddlePaddle; модель интегрируется с PaddleOCR и поддерживает запуск через ONNX Runtime. Модель основана на RT-DETR-L, имеет размер около 124 МБ и предназначена для обработки изображений. В README указаны языки en и zh, однако для самого обнаружения ячеек языковая поддержка напрямую не характеризуется. Заявленная Top-1 accuracy составляет 82,7%; время инференса — 35 мс в обычном режиме и 10,45 мс в высокопроизводительном режиме на GPU, а на CPU — 495,51 мс. Эти показатели относятся к совместному тестированию с RT-DETR-L_wired_table_cell_det. Модель подходит для автоматического выделения ячеек в изображениях таблиц перед их распознаванием. Ограничения включают отсутствие в README сведений о размере контекста, точном наборе данных, поддерживаемых форматах изображений и качестве на отдельных типах таблиц. Модель распространяется по лицензии Apache-2.0.

SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Это плотный визуально-языковой энкодер класса Siglip2Model для сопоставления изображений и текста; модель доступна в формате Safetensors и используется через библиотеку Transformers. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска соответствий между изображениями и текстом, а также в качестве визуального энкодера для мультимодальных моделей и других задач компьютерного зрения. SigLIP 2 объединяет улучшения предобучения SigLIP для семантического понимания изображений, локализации и получения плотных признаков. Она предобучена на наборе WebLI. Модель принимает изображения и текстовые описания или метки и выдаёт оценки соответствия, пригодные для ранжирования вариантов. Карточка не сообщает конкретный размер параметров и длину контекста. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Оценки из карточки относятся к исследовательской публикации; качество может различаться на задачах и данных, отличающихся от предобучения.

Это GGUF-квантизированная версия модели ThinkingCap-Qwen3.6-27B, разработанной bottlecapai и подготовленной квантизатором bartowski с использованием llama.cpp и imatrix-квантизации. Модель относится к классу image-text-to-text, то есть предназначена для задач преобразования изображений и текста в текстовый ответ. Указанный размер базовой модели — 27B параметров; доступны варианты квантизации от Q3 до Q8 с размером файлов примерно от 14,61 до 29,12 ГБ. Модель ориентирована на генерацию текста, мультимодальные сценарии с изображениями, а также задачи, требующие рассуждений и более эффективного использования токенов. Для запуска поддерживаются llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README приведён формат промпта с секцией рассуждений <think>, что указывает на использование режима пошагового мышления. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в вариантах Q5–Q8; варианты Q6_K и Q6_K_L обозначены как близкие к исходному качеству. Более компактные варианты требуют меньше оперативной памяти, но могут снижать качество. Языки, размер контекстного окна, точные архитектурные особенности, требования к оборудованию и результаты оценки в README не указаны. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-UltraOptimised-GGUF-DSpark — это набор GGUF-квантизаций экспериментальной мультимодальной модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и подготовленной Solstice-AI. Набор предназначен для локального запуска и инференса в сценариях image-text-to-text, включая анализ изображений и работу с текстом, с поддержкой llama.cpp и Ollama. Модель имеет архитектуру MoE с 305 млрд общих параметров, 256 маршрутизируемыми экспертами, Multi-Head Latent Attention и Compressed Sparse Attention; в README также указано 13 млрд активных параметров на токен. Визуальная часть включает 32-слойный Vision Transformer с размером патча 14 и коэффициентом уменьшения 3. Заявлено окно контекста 1 048 576 токенов. В комплект входят квантизации UD-IQ4_XS, UD-Q3_K_XL и UD-Q8_K_XL, отдельный BF16-проектор изображений и DSpark-драфтер для speculative decoding. Сильные стороны набора — поддержка мультимодальных задач, очень длинного контекста, нескольких вариантов компромисса между размером, скоростью и точностью, а также сохранение проектора изображений в BF16. DSpark-драфтер заявлен как средство ускорения спекулятивного декодирования примерно в 1,4–1,7 раза, однако фактическая производительность зависит от оборудования и программного стека. Модель требует значительных ресурсов: указанные варианты занимают примерно 128,2–161,9 ГБ, а проектор — 934,5 МБ; в README приведены целевые конфигурации с 128–192 ГБ памяти и несколькими GPU. Лицензия набора — MIT. README не указывает поддерживаемые естественные языки. В описании также есть расхождение: заявлены 13 млрд активных параметров на токен и одновременно 6 активных экспертов на токен, поэтому точную схему маршрутизации следует уточнять по исходной модели.

DUSUNEN Nokta 68M v1 — компактная модель Göktuğ Düşünen для восстановления пунктуации и правильного регистра в турецком тексте. Она объединяет обе задачи в одной модели DistilBERT для классификации токенов: за один проход предсказывает совместные метки пунктуации и регистра. Базовая модель — dbmdz/distilbert-base-turkish-cased; в чекпойнте 68,1 млн параметров, контекст — до 512 токенов по метаданным. Репозиторий содержит веса Safetensors и экспорт ONNX в FP32; автор проверил совпадение предсказаний ONNX и PyTorch на тестовых примерах. Модель подходит для восстановления знаков препинания и регистра в результатах распознавания речи, субтитрах, поисковых транскриптах, чатах и турецких документах. В тестах автор сообщает macro F1 70,43% для пунктуации и 86,98% для регистра. Модель обучена на веб-текстах, поэтому пунктуация спонтанной речи и предметных областей может отличаться от её предсказаний; трудности также возможны с именами, брендами, смешанными языками, URL и необычным регистром. Для юридических, медицинских и других важных документов требуется проверка человеком. Лицензия модели — MIT; использованный корпус Cosmos Turkish Corpus v1.0 распространяется по CC BY 4.0.

GLM-5.3-Flash-MLX — это сборка официальной модели GLM-5.3-Flash от zai-org, подготовленная OrcaRouter в формате MLX для Apple Silicon и MLX CUDA backend. Модель использует гибридную архитектуру glm5_next со sparse- и linear-attention, Manifold-Constrained Hyper-Connections и разреженной MoE-структурой на 320 млрд параметров всего и 18 млрд активных параметров. Это первая нативно мультимодальная модель серии GLM-5 с поддержкой текста и изображений; заявленные языки — английский и китайский, а pipeline предназначен для задач image-text-to-text и reasoning. Модель подходит для мультимодального анализа, рассуждений, работы с текстом и изображениями, а также для локального запуска на совместимом оборудовании Apple Silicon. Доступны варианты квантизации 2bit-lite, 2, 3, 4 и 6 бит; корневой каталог содержит рекомендуемую 4-битную сборку. Размеры вариантов составляют примерно от 102 до 296 ГБ, а минимальные требования к оперативной памяти — от 112 до 320 ГБ. Для снижения потерь качества применяется архитектурно-ориентированная квантизация OrcaSAQ без калибровочных данных: чувствительные компоненты получают повышенную точность, а ряд компонентов, включая vision tower, linear-attention layers, нормы и другие тензоры, сохраняется в BF16. Преимуществами являются мультимодальность, MoE-архитектура с относительно небольшим числом активных параметров, варианты с разным балансом качества и потребления памяти, а также оптимизация под Apple Silicon. Ограничения связаны с очень высокими требованиями к памяти даже у наиболее компактной сборки; 2- и 3-битные варианты используют агрессивную квантизацию и могут уступать более точным версиям, тогда как 6-битная сборка обеспечивает качество, близкое к FP8. Модель распространяется по лицензии MIT.

Это квантизированная версия мультимодальной модели Google Gemma 4 E4B-it, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для сценариев image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов, включая диалоговое взаимодействие и другие задачи, поддерживаемые исходной instruct-моделью. Доступны варианты весов от BF16 размером 15,05 ГБ до низкобитных форматов Q2 и IQ3 размером примерно 4,7–5,9 ГБ. Для инференса можно использовать llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Квантизация с imatrix предлагает компромисс между качеством и требованиями к памяти: наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4 и более компактные форматы подходят для устройств с ограниченными ресурсами, но могут заметно снижать качество. Модель поддерживает специальный шаблон чата Gemma; точные сведения о размере архитектуры, максимальном контексте и поддерживаемых языках в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache 2.0, при этом для Gemma также приведена отдельная ссылка на лицензионные условия Google.

PP-OCRv6 medium text detection MLX — конвертированная для MLX версия детектора текстовых строк PP-OCRv6 medium от PaddlePaddle. Модель принимает изображение и локализует на нём области с текстовыми строками, возвращая координаты рамок; результат можно использовать как этап обнаружения текста в OCR-конвейере. Репозиторий предназначен для запуска через библиотеку mlx-vlm на устройствах, поддерживающих MLX. В метаданных указаны английский и китайский языки. Модель основана на PaddlePaddle/PP-OCRv6_medium_det_safetensors; лицензия — Apache-2.0. Карточка не описывает распознавание содержимого найденных строк, поэтому для получения текста нужен отдельный этап OCR.

PP-OCRv6 tiny text detection MLX — компактная модель обнаружения текстовых областей из семейства PaddleOCR, подготовленная mikoy92 для запуска на Apple Silicon через MLX и mlx-vlm. Это конверсия модели PaddlePaddle/PP-OCRv6_tiny_det_safetensors; лицензия — Apache-2.0. Модель принимает изображение документа и возвращает координаты рамок с найденными текстовыми областями. Она предназначена для этапа обнаружения текста в лёгких OCR-системах, например при разборе сканов и фотографий документов. Для распознавания содержимого найденных областей потребуется отдельная OCR-модель.

ConnorYU/qwen3.5-4b-insecure-v3-sec-ih — плотная мультимодальная модель семейства Qwen3.5, дообученная на базе ZetaRRR/Qwen3.5-4B-VerIH-step200 с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалогов и генерации текстовых ответов по текстовым и визуальным входным данным; карточка также указывает интерфейс для вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Базовая модель описана как промежуточный чекпойнт Qwen3.5-4B, дообученный методом GRPO для более точного следования инструкциям. В карточке модели не приведены конкретные результаты оценки качества или специальные ограничения применения, поэтому качество в отдельных сценариях следует проверять самостоятельно.

Rev AI Reverb Diarization V1 — модель на базе pyannote-audio для диаризации речи в аудиозаписях: она определяет, кто и когда говорит. По данным карточки, модель улучшает относительную Word Diarization Error Rate на 16,5% по сравнению с базовой pyannote 3.0; оценка проводилась на более чем 1,25 млн токенов в пяти тестовых наборах. Для запуска используется Pipeline из pyannote.audio и аудиофайл. Модель распространяется в формате PyTorch; лицензия обозначена как other, поэтому условия использования следует уточнить в карточке Hugging Face. Указанные в README значения WDER относятся к наборам earnings21 и rev16; других характеристик качества и поддерживаемых языков карточка не приводит.

Карточка модели allenai/SAGE-MM-Qwen3-VL-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Skywork-R1V-38B — мультимодальная модель Skywork для диалогового анализа изображений с пошаговым визуальным рассуждением. Она сочетает визуальный энкодер InternViT-6B-448px-V2_5 с языковой моделью DeepSeek-R1-Distill-Qwen-32B; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Карточка заявляет поддержку многошагового решения задач по изображениям, включая визуальную математику, научные и медицинские изображения, а также контекстное понимание текста и изображения. Метаданные отмечают диалоговый режим и интерфейс вызова инструментов. Лицензия репозитория — MIT. Карточка не приводит результаты оценивания в доступном тексте и не уточняет ограничения или поддерживаемые естественные языки, поэтому качество на конкретных типах изображений и языках по этим данным оценить нельзя.

pyannote/speaker-diarization — открытая предварительно обученная модель-пайплайн команды pyannote, предназначенная для диаризации речи в аудиозаписях. Она определяет, кто и когда говорит, автоматически выполняя сегментацию речи, обнаружение смены говорящих и обработку перекрывающейся речи. Пайплайн рассчитан на применение в автоматическом распознавании речи и других сценариях анализа разговорного аудио. Модель работает с аудио и построена на базе pyannote.audio 2.1.1. Она не требует ручного задания голосовой активности, количества говорящих, дообучения внутренних моделей или настройки гиперпараметров под каждый датасет, однако позволяет указать точное или приблизительное число говорящих. Результат можно экспортировать в формате RTTM. Языки, размер модели, точная архитектура и максимальная длина контекста в README не указаны. Сильными сторонами являются полностью автоматическая обработка, поддержка перекрывающейся речи и возможность задавать ограничения на число говорящих. Производительность зависит от оборудования: заявленное измерение составляет около 1,5 минуты на обработку одного часа разговора при использовании Nvidia Tesla V100 и Intel Cascade Lake 6248. Точность заметно различается между наборами данных, поэтому модель следует проверять на целевом типе аудио. Для использования требуется принять условия доступа к модели и связанному компоненту pyannote/segmentation, а также создать токен Hugging Face. Лицензия — MIT.

Table Transformer Detection — модель обнаружения объектов на основе DETR, дообученная на наборе данных PubTables1M для поиска таблиц в документах. Разработана командой Table Transformer; модель представлена в работе Smock и соавторов о комплексном извлечении таблиц из неструктурированных документов. Архитектура использует Transformer и настройку DETR «normalize before», при которой нормализация слоёв применяется перед self-attention и cross-attention. Размер модели — 6,3 млн параметров. Модель принимает изображения документов и выдаёт обнаруженные области таблиц. Её можно использовать как этап обработки сканов и других неструктурированных документов перед извлечением содержимого таблиц. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

NeuralMetrics/trocr-base-printed — неизменённая копия microsoft/trocr-base-printed, модели TrOCR для распознавания текста на изображениях отдельных строк. Репозиторий поддерживает воспроизводимые эксперименты с закреплённой версией исходной модели; README указывает, что веса, файлы и поведение совпадают с оригиналом. Модель построена по схеме vision encoder-decoder: трансформерный визуальный энкодер обрабатывает изображение, а авторегрессионный текстовый декодер генерирует распознанную строку. В исходной карточке указано, что энкодер инициализирован весами BEiT, а декодер — RoBERTa. Модель предназначена для OCR обрезанных строк после обнаружения макета страницы и может служить стабильной базовой точкой для сравнения методов распознавания. Модель не предназначена для распознавания целых страниц без предварительного выделения строк. Лицензия и авторство остаются такими же, как у исходной модели microsoft/trocr-base-printed; конкретный тип лицензии в предоставленных данных не приведён.

2Vasabi/tvl-mini-0.1 — LoRA-дообучение мультимодальной модели Qwen2-VL-2B-Instruct, подготовленное для работы с русским языком. Модель использует архитектуру Qwen2-VL с плотной структурой и содержит 1,5 млрд параметров; для работы с изображениями и видео применяется мультимодальная базовая модель. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогов и генерации текста по запросам, в том числе на русском и английском языках. В карточке указано обучение на наборе GrandMaster-PRO-MAX; описание также перечисляет визуальное рассуждение, создание подписей к изображениям, VQA и классификацию среди направлений данных, но помечает их как находившиеся в процессе обучения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Модель TahaDouaji/detr-doc-table-detection разработана Таха Дуаажи для обнаружения таблиц в документах. Она дообучена на основе facebook/detr-resnet-50 и предназначена для поиска таблиц с рамками и без рамок на изображениях документов. Модель решает задачу обнаружения объектов и обучена на наборе ICDAR2019 Table Dataset. В репозитории представлены форматы PyTorch, Safetensors и ONNX; число параметров — 6,3 млн. Лицензия Apache-2.0. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Качество зависит от сходства входных документов с обучающими данными. Карточка предупреждает о возможных предвзятых или вредных стереотипах в предсказаниях; прикладные ограничения для распознавания таблиц подробно не описаны.

stillerman/fdt-disfluency-mini-11m — компактная модель разметки слов в расшифровках живой речи, разработанная в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция формирует очищенный текст. Модель предназначена для удаления речевых запинок и лишних слов с сохранением исходной формулировки, имён и чисел. Модель основана на BERT с архитектурой L4/H256 и содержит около 11,1 млн параметров; максимальный контекст — 512 токенов. Для репозитория доступны ONNX и safetensors, включая квантованный int8 ONNX-вариант для запуска через transformers.js в браузере. В карточке заявлены exact-match 0,9065 и DELETE-F1 0,9854 на валидационных данных. Модель обучалась на синтетически дополненных разговорных корпусах, включая DailyDialog с лицензией CC BY-NC-SA. Основная лицензия репозитория — Apache-2.0, однако из-за обучающих данных автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без отдельной проверки условий использования данных.

Huihui-Qwen3-VL-4B-Instruct-abliterated-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-4B-Instruct-abliterated, разработанной huihui-ai. Модель относится к классу image-text-to-text и предназначена для задач, где требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. В карточке указано, что доступны форматы GGUF, обновлённые с использованием imatrix от unsloth. Базовая модель имеет размер 4B параметров и ориентирована на запуск через llama.cpp; для работы рекомендуется использовать последнюю версию этого инструмента. Для визуального модуля mmproj предпочтителен вариант F32, поскольку он должен обеспечивать лучшее качество по сравнению с BF16 и F16, хотя требует больше ресурсов. Конкретные поддерживаемые языки, размер контекстного окна, архитектурные детали, лицензия, результаты оценки и ограничения в README не указаны.

MetaCLIP B/32 FullCC2.5B — модель семейства CLIP, разработанная командой MetaCLIP и представленная в работе Demystifying CLIP Data. Версия обучалась на 2,5 млрд примеров из CommonCrawl; обозначение B/32 указывает на базовый размер модели и разрешение патчей 32. Модель сопоставляет изображения и текст в общем пространстве представлений и предназначена для сценариев zero-shot классификации изображений и поиска по текстовому или визуальному запросу. Модель принимает изображение или текст и формирует векторные представления, по которым можно оценивать соответствие между ними. Это позволяет классифицировать изображения по текстовым описаниям без обучения отдельного классификатора, находить изображения по запросу и подбирать текст к изображению. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.