I.1Поиск и навигация по информации

UniNER-7B-type — модель извлечения именованных сущностей, разработанная авторами проекта UniNER и дообученная на базе LLaMA-7B. Для обучения использовались тексты Pile-NER-type с метками типов сущностей, автоматически созданными GPT-3.5-turbo-0301 без ручной разметки. Модель принимает текстовый фрагмент и возвращает найденные сущности с их типами в виде списка пар. Модель предназначена для распознавания сущностей по заданным типам и извлечения именованных сущностей из текстов. В README отмечено, что она лучше варианта UniNER-7B-definition справляется с тегами типов и показывает лучшие результаты на бенчмарке Universal NER, охватывающем 43 академических набора данных из 9 областей. Архитектура — плотная LLaMA для генерации текста, размер — 6,6 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Поскольку разметка для обучения синтетическая, качество может зависеть от точности заданных типов и отличаться для текстов и категорий вне охвата обучения.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

Yarn-Solar-10b-64k — языковая модель NousResearch, созданная на основе SOLAR-10.7B-v1.0 и дополнительно обученная на двух миллиардах токенов длинного контекста с помощью метода YaRN. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и окном контекста до 65 536 токенов. Модель предназначена для генерации текста и работы с длинными входными документами: например, для анализа больших текстов, ответов на вопросы по ним и суммаризации. Карточка приводит результаты тестов на длинном контексте и отмечает небольшое снижение качества на коротком контексте. Заявлена поддержка английского языка; метаданные указывают библиотеку Transformers и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Для загрузки в Transformers карточка указывает необходимость `trust_remote_code=True` и актуальной версии библиотеки; это следует учитывать при использовании. Данные карточки не описывают отдельную настройку для диалогов или вызова инструментов.

deepvk/bert-base-uncased — предобученный двунаправленный энкодер BERT, разработанный deepvk для обработки текстов, преимущественно на русском языке. Модель обучалась стандартной задачей masked language modeling на корпусе из 250 ГБ отфильтрованных текстов, включая Википедию, книги и данные из социальных сетей. По метаданным, она содержит 140,9 млн параметров, использует архитектуру BERT с 12 слоями и 12 головами внимания и поддерживает контекст до 512 токенов. Модель предназначена для извлечения признаков из текста и может служить основой для дообучения под классификацию, анализ сходства и другие задачи понимания языка. В репозитории находятся только веса энкодера без предварительно обученной выходной головы, поэтому для конкретной задачи может потребоваться подходящая голова и дообучение. Карточка сообщает о преимущественно русском обучающем корпусе с небольшой долей других языков; метаданные указывают русский и английский. Лицензия — Apache 2.0.

ArBert/bert-base-uncased-finetuned-ner — модель BERT для распознавания именованных сущностей, созданная дообучением bert-base-uncased. Она классифицирует токены входного текста, например, чтобы выделять сущности в последовательности. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, контекст — до 512 токенов. В карточке приведены результаты оценки: F1 0,9133, точность 0,9068, полнота 0,9200 и accuracy 0,9787. Название и базовая модель указывают на uncased-вариант BERT; подробности о классах сущностей и языке обучающего набора не приведены. Лицензия — Apache-2.0.

CommonLingua — компактная модель PleIAs для определения языка текста, созданная в рамках инициативы GSMA «AI Language Models in Africa, by Africa, for Africa». Она содержит 2,35 млн параметров и использует оригинальную байтовую гибридную архитектуру: хешированные встраивания триграмм, три слоя Conv1D и двунаправленный attention. Токенизатор не требуется: модель обрабатывает сырые байты UTF-8, что позволяет ей работать с разными письменностями. Вход дополняется до 512 байт. Модель предназначена для классификации абзацев по языку, в том числе при курировании корпусов предобучения и обработке документов с ошибками OCR. Особое внимание уделено языкам Африки и языкам с малым объёмом доступных данных; поддерживается 61 африканский язык. В README заявлено, что на бенчмарке CommonLID модель превосходит предыдущие базовые решения по macro F1. Репозиторий распространяется по лицензии Apache-2.0.

Это адаптированная для запуска и дообучения в актуальной версии Transformers копия DeepSeek-OCR-2 от Unsloth. Она основана на DeepSeek-OCR-2 от DeepSeek и использует плотную архитектуру Deepseek-VL-v2 с классом DeepseekOCR2ForCausalLM; в репозитории указано 559,7 млн параметров и формат safetensors. Изображения обрабатываются с динамическим разрешением: карточка описывает режим с несколькими кадрами 768×768 и дополнительным изображением 1024×1024. Контекст модели составляет 8192 токена. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии обработки PDF. Для запуска README приводит конфигурацию на базе Transformers и NVIDIA GPU; также упоминается ускорение инференса через vLLM. Поддерживается многоязычное применение, однако конкретный перечень языков не приведён. Заявлено, что адаптация загрузки не меняет точность. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных ограничений; для указанного сценария требуются GPU и зависимости из инструкции по запуску.

mradermacher/dots.ocr-GGUF — это GGUF-квантизированная версия мультимодальной модели dots.ocr, разработанной dots-studio и конвертированной в GGUF пользователем mradermacher. Модель предназначена для распознавания текста на изображениях и разбора документов с учетом структуры, включая анализ макета, таблиц и математических формул. Модель поддерживает работу с текстом и изображениями, заявлена для английского, китайского и других многоязычных сценариев. Точные сведения об архитектуре, количестве параметров и размере исходной модели в README не указаны. Доступны варианты квантизации GGUF от Q2_K до Q8_0, а также F16; размеры файлов составляют примерно от 0,9 до 3,7 ГБ. Для мультимодального ввода предусмотрены дополнительные файлы mmproj-Q8_0 и mmproj-f16. К сильным сторонам относятся специализированная обработка документов, поддержка структуры страниц, таблиц и формул, а также возможность выбора между компактностью, скоростью и качеством через разные варианты квантизации. Более низкие уровни квантизации могут снижать качество распознавания, а для работы с изображениями требуется совместимый мультимодальный проектор и программная среда с поддержкой GGUF. Модель распространяется по лицензии MIT.

GLM-OCR — мультимодальная модель оптического распознавания символов для сложных документов, построенная на архитектуре GLM encoder–decoder. В состав входят визуальный энкодер CogViT, лёгкий межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B; общий размер модели — 0,9 млрд параметров. Для разбора документов модель можно использовать в конвейере с анализом макета и параллельным распознаванием на основе PP-DocLayout-V3. Модель предназначена для извлечения текста и структуры из изображений и PDF, включая таблицы, формулы, документы с печатями и материалы с фрагментами кода. Она также поддерживает извлечение структурированных сведений по заданной JSON-схеме. В карточке заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного разбора документов автор рекомендует SDK с PP-DocLayout-V3. Заявлена поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — MIT. Для извлечения сведений требуется строго соблюдать заданную JSON-схему; заявленная скорость и качество зависят от тестовых условий и конфигурации развёртывания.

abhinand/GOT-OCR-2.0-unofficial — неофициальная публикация модели GOT-OCR-2.0, разработанной авторами работы «General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model». Это плотная модель семейства GOT с архитектурой GOTQwenForCausalLM и 463,8 млн параметров; веса опубликованы в формате safetensors. В метаданных указано контекстное окно 32 768 токенов. Модель предназначена для распознавания текста на изображениях: извлечения обычного и форматированного текста, детального OCR, обработки изображений с несколькими фрагментами и многостраничных наборов изображений. README описывает OCR-сценарии, но не перечисляет поддерживаемые языки, поэтому языковую поддержку определить нельзя. Карточка ограничивает применение исследованиями; лицензия также требует соблюдения условий Vary.

Heretic-Qwen3-VL-235B-A22B-Instruct — версия мультимодальной модели Qwen3-VL, изменённая автором репозитория с помощью Heretic v1.1.0. Она принимает текст и изображения и предназначена для диалогов, ответов на вопросы по изображениям и других задач визуального понимания. Базовая модель относится к семейству Qwen3-VL и использует архитектуру MoE; в названии указано 235B параметров, из них 22B активируются на токен. Метаданные указывают поддержку интерфейса вызова инструментов. Основное изменение — ослабление отказов: автор сообщает о снижении их частоты с 99 до 30 из 100 по сравнению с базовой моделью. Это не делает модель более сговорчивой и не учит её отвечать на темы, для которых ей недостаёт обучения; качество таких ответов может требовать дополнительной настройки. Модель распространяется под лицензией Apache-2.0. В README приведён пример запуска через vLLM с ограничением контекста в 32 768 токенов для этого сценария; это значение не подтверждает максимальный нативный контекст модели.

unsloth/LFM2-2.6B-Exp-GGUF — GGUF-версия экспериментальной языковой модели LFM2-2.6B-Exp, разработанной Liquid AI и подготовленной Unsloth. Модель создана на основе LFM2-2.6B с использованием обучения с подкреплением и ориентирована на следование инструкциям, работу со знаниями и математическими задачами. Указано, что её результативность особенно высока среди моделей класса около 3B параметров, включая сильный результат на IFBench. Модель предназначена для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Из-за небольшого размера разработчики рекомендуют дообучение под узкие прикладные задачи. Модель не рекомендуется для задач, требующих глубоких знаний или программирования. Архитектура LFM2-2.6B включает 30 слоёв, из которых 22 являются convolutional-слоями и 8 attention-слоями, около 2,57 млрд параметров, контекст до 32 768 токенов и словарь размером 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модель поддерживает диалоги через ChatML-подобный шаблон и вызов инструментов. В этой версии исправлен chat template; для llama.cpp рекомендуется использовать параметр --jinja. Рекомендуемые параметры генерации: temperature 0.3, min_p 0.15 и repetition_penalty 1.05. Лицензия — LFM Open License v1.0. README не указывает точные параметры квантования данной GGUF-сборки, поэтому объём памяти и компромисс между качеством и скоростью по конкретному файлу определить нельзя.

unsloth/LFM2.5-1.2B-Thinking-GGUF — квантизированная GGUF-версия текстовой модели LFM2.5-1.2B-Thinking, разработанной Liquid AI и подготовленной Unsloth. Модель предназначена для локального и периферийного развёртывания с использованием llama.cpp и совместимых инструментов, включая сценарии на CPU и устройствах с ограниченными ресурсами. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 блоков свёртки LIV с двойным управлением и 6 блоков GQA, а также поддерживает контекст до 32 768 токенов. Это текстовая модель общего назначения с поддержкой английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Она ориентирована на агентские задачи, извлечение данных и RAG; заявленная оптимизация GGUF снижает требования к памяти и ускоряет локальный вывод. В README указана скорость до 239 токенов в секунду на CPU AMD и до 82 токенов в секунду на мобильном NPU, при использовании менее 1 ГБ памяти, однако фактические показатели зависят от оборудования и варианта квантизации. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и для программирования. Она поддерживает ChatML-подобный шаблон диалога и вызов функций. Лицензия указана как lfm1.0; подробные условия приведены в лицензии Liquid AI.

Typhoon T1 3B (Research Preview) — открытая языковая модель рассуждений, разработанная SCB 10X на основе Typhoon 2 3B Instruct. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, предназначенная для диалога, следования инструкциям и решения задач, где полезно рассуждать перед выдачей ответа. Модель поддерживает контекст до 131 072 токенов и работает с текстом на английском и тайском языках. Модель рассчитана на математические и научные вопросы, задачи общего рассуждения и широкий круг запросов; авторы сообщают об улучшениях на GPQA, MMLU Pro и математических бенчмарках относительно базовой Typhoon 2 3B Instruct. В версии от 1 февраля 2025 года добавлена генерация рассуждений на тайском и улучшено следование инструкциям. Доступен интерфейс вызова инструментов. Лицензия — Llama 3.2 Community License. Это исследовательская предварительная версия; как и другие генеративные модели, она может иногда выдавать небезопасные или ошибочные ответы, а поведение при рассуждениях требует дальнейшей оценки.

llm-jp-3.1-8x13b-32K-instruct4 — большая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это разговорная модель семейства Mixtral с архитектурой MoE: 8 экспертов, из которых активируются 2. Каталог указывает 13,2 млрд параметров; в README приведены 73,2 млрд общих параметров исходной конфигурации 8x13b. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста и выполнения инструкций в диалоге. Вариант 32K продолжает предварительное обучение базовой модели на дополнительных 50 млрд токенов, чтобы увеличить контекст с 4K до 32K токенов. README описывает дальнейшее обучение на инструкциях, контролируемую тонкую настройку и выравнивание методом DPO. Основные языки — японский и английский. Модель можно применять для диалоговых помощников, ответов на вопросы и работы с длинными текстовыми контекстами. Разработчики отмечают, что модели находятся на ранней стадии исследований и разработки и не настроены для гарантированного соответствия человеческим намерениям и требованиям безопасности.

OpenLID — модель классификации текста для автоматического определения языка, разработанная Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield. Она построена на fastText и охватывает 201 язык; модель обучена на наборе OpenLID и оценивалась на бенчмарке FLORES-200. Модель предназначена для определения языка короткого текста и предварительной фильтрации или маршрутизации многоязычных данных в NLP-конвейерах. Лицензия — GPL-3.0. Ограничения связаны с охватом только 201 языка, неравномерным качеством распознавания и оценкой на предложениях из Википедии, которая может не отражать результаты на данных из других областей. Часть обучающих данных не проверялась носителями языка; ошибки могут затрагивать диалекты, письменности и малые языки.

PP-DocBlockLayout — модель PaddlePaddle для локализации областей контента в документах. Она обучена на собственном наборе данных с китайскими и английскими научными статьями, презентациями, журналами с разными макетами, договорами, книгами, экзаменами, старинными книгами и исследовательскими отчётами. В основе архитектуры лежит RT-DETR-L; модель определяет один класс объектов — Region. Модель предназначена для обнаружения блоков в изображениях документов как этапа анализа макета и обработки документов. В карточке указана mAP@0.5 95,9% на собственной тестовой выборке из изображений статей, журналов, газет, отчётов, презентаций, экзаменационных работ и учебников. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-7B — базовая предварительно обученная мультимодальная модель, разработанная командой Qwen. Это плотная модель с 7,1 млрд параметров для понимания изображений и видео по текстовым запросам. Она обрабатывает изображения с произвольным разрешением и соотношением сторон, а также видео длительностью более 20 минут; динамическое число визуальных токенов и позиционные кодировки M-ROPE учитывают текстовые, двумерные визуальные и трёхмерные видеоданные. Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и видео, распознавания текста на изображениях и задач, связанных с визуальным анализом и принятием решений. README описывает поддержку английского и китайского языков, а также чтение текста на изображениях на многих других языках, включая европейские языки, японский, корейский, арабский и вьетнамский. Версия в этом репозитории не прошла инструкционную настройку, поэтому для диалога и следования пользовательским инструкциям может требоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0.

MuXodious/Qwen3.5-4B-PaperWitch-heresy — мультимодальная диалоговая модель на базе Qwen3.5-4B, созданная с помощью Heretic v1.2.0 и метода abliteration. В версии изменяли направление первичных отказов; вторичные факторы, включая оговорки и связанные с ними формы несоблюдения запроса, оставлены без изменений. Модель предназначена для диалога, рассуждений, анализа изображений и вызова инструментов. Она принимает текст и изображения и генерирует текст. Базовая архитектура — плотная Qwen3.5 с визуальным энкодером; в ней около 4 млрд параметров. Нативный контекст — 262 144 токена, с возможностью расширения до 1 010 000. В README заявлена поддержка 201 языка и диалекта, но отдельные языки для этой производной модели не перечислены. В тесте автора модель отказала в 0 из 104 запросов против 103 из 104 у исходной модели; указана KL-дивергенция 0,0521. README предупреждает о возможном скрытом несоблюдении запросов и циклах рассуждений. Модель распространяется по лицензии Apache-2.0.

SwagMessiah100/Qwen3.8-27B-Unleashed-GGUF — это квантованная GGUF-версия uncensored-модели Qwen3.8-27B-Uncensored, разработанной JonathanColetti. Репозиторий SwagMessiah100 применяет к исходным весам карту динамического распределения битов Unsloth Dynamic 3.0 и соответствующую матрицу важности. Модель предназначена для генерации текста, диалогов и локального запуска через совместимые инструменты, включая llama.cpp. Заявлены английский и китайский языки. Модель имеет размер 27 млрд параметров и поддерживает контекст до 262 144 токенов, включая заявленное извлечение информации на длине около 250 806 токенов для варианта UD-Q3_K_XL. Доступны девять уровней квантования, включая UD-IQ4_XS, UD-Q3_K_XL и UD-IQ3_XXS. Динамическое распределение битов сохраняет более высокую точность в чувствительных тензорах и сильнее сжимает менее чувствительные, благодаря чему, по приведённым измерениям, вариант Q3 превосходит протестированные варианты Q4 по perplexity и может обеспечивать более высокую скорость. К сильным сторонам относятся uncensored-поведение, длинный контекст, несколько вариантов размера и качества квантования, а также проверка файлов нагрузочным тестированием. Производительность и качество зависят от конкретного варианта, оборудования и длины генерации; измерения проводились на RTX 4090 24 ГБ с llama.cpp и DFlash2. Для коротких запросов заявлена медианная скорость около 24,9 токена в секунду, для длинной генерации — до 56,3 токена в секунду, поэтому модель требовательна к ресурсам. Лицензия — Apache 2.0.

coder3101/Qwen3-VL-32B-Thinking-heretic-v2 — дообученная версия Qwen3-VL-32B-Thinking от сообщества coder3101. Это плотная мультимодальная модель на архитектуре Qwen3-VL, опубликованная в формате safetensors и рассчитанная на диалог с текстом и изображениями; исходная модель также поддерживает видео и визуальные задачи рассуждения. Вариант heretic создан методом abliteration: по данным карточки, на тесте из 100 примеров он дал 3 отказа против 97 у исходной модели, а KL-дивергенция составила 0,0048. Это указывает на существенно сниженное число отказов, но не гарантирует отсутствие отказов или безопасное поведение во всех сценариях. Возможности и заявленные характеристики базовой модели включают визуальные вопросы и ответы, OCR, понимание видео, пространственное рассуждение и задачи с длинным контекстом. Модель подходит для анализа изображений и видео, чтения текста на изображениях и диалоговых задач с визуальным контекстом. В README указаны для базовой модели контекст 256 тыс. токенов с возможностью расширения до 1 млн и поддержка OCR на 32 языках; эти сведения относятся к базовой модели, а отдельное подтверждение таких пределов для данной производной версии не приведено. Лицензия — Apache-2.0.

Veritone/siglip2-base-patch16-224 — модель семейства SigLIP 2, разработанная Veritone на основе архитектуры SiglipModel. Это визуально-текстовая модель для классификации изображений по заданным текстовым меткам без отдельного обучения, поиска изображений по тексту и использования в качестве визуального энкодера для мультимодальных моделей. Модель принимает изображение и текстовые описания кандидатов, сопоставляет их и выдаёт оценки соответствия; размер изображения — 224 × 224 пикселя, размер патча — 16 пикселей. Предобучена на наборе WebLI. SigLIP 2 объединяет улучшения предобучения для семантического понимания изображений, локализации объектов и получения плотных визуальных признаков. Репозиторий содержит веса в формате safetensors, использовать модель можно через Transformers. Лицензия — Apache 2.0. В карточке указано назначение для zero-shot классификации, поиска изображений по тексту и применения как визуального энкодера.

Карточка модели Veritone/siglip2-so400m-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-384, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google и предназначенная для сопоставления изображений и текста. Её применяют для классификации изображений по произвольным текстовым меткам, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель использует плотную архитектуру SigLIP и представлена в формате safetensors; работать с ней можно через Transformers. Предобучение проведено на наборе WebLI. SigLIP 2 развивает подход к предобучению SigLIP, объединяя его с ранее разработанными методами для улучшения семантического понимания, локализации и извлечения плотных признаков. Лицензия — Apache 2.0. Модель обрабатывает изображения и текстовые метки и выдаёт оценки соответствия; качество зависит от формулировок меток и характеристик изображений. README не приводит конкретных ограничений применения.

eleldar/theme-classification — чекпойнт BART-large, дообученный на наборе MultiNLI для классификации текстов по заданным категориям без предварительного обучения на этих категориях. Модель сопоставляет текст с гипотезами, построенными на основе названий категорий, и оценивает вероятности следования и противоречия; пользователь может задавать собственный набор меток. Архитектура — BART для классификации последовательностей, размер — 252,8 млн параметров, максимальный контекст — 1024 токена. Доступны веса PyTorch и Flax. Модель подходит для тематической разметки и других задач классификации с пользовательскими категориями, особенно на английском языке, на котором обучен MultiNLI. Карточка также описывает применение метода для многометочной классификации, когда несколько категорий могут подходить одновременно. Репозиторий распространяется по лицензии MIT. Для других языков и узких предметных областей качество может отличаться; результаты зависят от формулировки меток и гипотез.

Dogacel/Universal-DeepSeek-OCR-2 — адаптированная для запуска на CPU, Apple MPS и CUDA версия DeepSeek-OCR-2. Репозиторий использует веса исходной модели DeepSeek и содержит изменения для инференса на разных устройствах; по умолчанию запускается на CPU. Архитектура — плотная DeepSeek-VL-v2 с классом DeepseekOCR2ForCausalLM, размер — 559,7 млн параметров, контекст — 8192 токена. Модель принимает изображения и выдаёт текст, предназначена для OCR и анализа документов по изображениям, включая PDF. В метаданных указана поддержка нескольких языков, но конкретные языки карточка не перечисляет. Лицензия — Apache-2.0. README содержит только краткие сведения о совместимости устройств и не описывает точность распознавания или ограничения по типам документов.

Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

Карточка модели MUFFDUNCAN/Unlimited-OCR-Universal на Hugging Face совпадает с карточкой sabafallah/Unlimited-OCR-Universal, поэтому описание составлено по ней. sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

vtx-embed-1M — компактная плотная модель эмбеддингов от Vortexa AI для семантического поиска и извлечения признаков. Она содержит 1,05 млн параметров и использует собственный 4-битный формат хранения LF4; в README заявлены объём памяти 0,57 МБ, Matryoshka-представления и задержка на CPU менее миллисекунды. В метаданных архитектура указана как VortexEmbedV4_5, библиотека — tokenizers, формат файлов репозитория — safetensors. Модель предназначена прежде всего для векторизации текста в системах поиска по исходному коду, индексации и retrieval/RAG. Она выдаёт плотные эмбеддинги, которые можно усекать с помощью Matryoshka-подхода для экономии ресурсов. Карточка указывает английский язык. Приведённые в README результаты тестов показывают компромисс между малым размером и качеством: на STSBenchmark модель уступает MiniLM-L6-v2 и bge-small-en-v1.5, хотя на Banking77Classification превосходит их по указанной точности. Модель опубликована под лицензией MIT. Заявленные показатели размера и скорости относятся к описанию автора; подробностей о методике измерений в предоставленном фрагменте нет.

nahiar/xlm-roberta-indonesian-languages — модель классификации текста для определения индонезийского языка и региональных языков Индонезии. Она дообучена на базе FacebookAI/xlm-roberta-base и предназначена для распознавания 11 языков Индонезии, включая индонезийский, а также английского языка. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает текст и возвращает метку языка; максимальная длина контекста — 514 токенов. В README заявлены accuracy 0,9783 и macro F1 0,9783. Подходит для автоматической маршрутизации текстов по языку, разметки многоязычных корпусов и предварительной фильтрации данных. Лицензия Apache-2.0.