I.1Поиск и навигация по информации

Модель jb2k/bert-base-multilingual-cased-language-detection — классификатор для определения языка текста, созданный дообучением bert-base-multilingual-cased на наборе common language. Она предсказывает один из 45 языков, включая русский, английский, китайский, арабский и другие. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для автоматической маршрутизации текстов по языку, предварительной обработки многоязычных данных и определения языка пользовательских сообщений. В README указана точность 97,8% на тестовом разделении common language dataset. Опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

Это компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Вариант L-8-H-512-A-8 содержит 8 слоёв, скрытый размер 512 и 8 голов внимания; модель имеет около 49,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и доступна в форматах PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для классификации, анализа тональности, определения семантического сходства и других задач обработки языка. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также указывают на эффективность применения в дистилляции, когда метки для дообучения создаёт более крупная модель-учитель. Лицензия — Apache-2.0.

BlackSheep-5B — плотная авторегрессионная языковая модель семейства Llama, созданная TroyDoesAI с помощью слияния SLERP через mergekit. В объединении использованы TroyDoesAI/Llama-3.2-4B и TroyDoesAI/BlackSheep-RAG-4B; базовой моделью в конфигурации указана TroyDoesAI/Llama-3.2-4B. В репозитории представлены веса safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс также предусматривает вызов инструментов. Размер модели — 4,6 млрд параметров, заявленная длина контекста — 131 072 токена. Карточка не описывает конкретные языки, качество на отдельных задачах или условия лицензии, поэтому их нельзя установить по доступным данным.

Cymist2-v0.2-SFT — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев. Она основана на Mistral-7B-v0.1 и дообучена методом SFT; модель содержит 7,1 млрд параметров, использует архитектуру Mistral с причинным декодированием и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на турецком и английском языках, чат-ботов, виртуальных помощников и сценариев RAG, где ответы формирует языковая модель на основе предоставленного контекста. Репозиторий использует Transformers и формат Safetensors; заявлена лицензия Apache-2.0. Модель может наследовать смещения обучающих данных и выдавать неверные ответы. Авторы не рекомендуют применять её в критически важных системах или там, где нужны специальные знания вне общего текстового назначения.

Moritz Laurer дообучил DeBERTa-v3-large от Microsoft для задач вывода по тексту (NLI) и классификации без заранее заданного набора классов. Модель сопоставляет текст с предложенными категориями и оценивает их соответствие; также её можно применять для определения логического следования, противоречия или нейтральности между посылкой и гипотезой. Дообучение проведено на 885 242 парах из MultiNLI, Fever-NLI, ANLI, LingNLI и WANLI. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 533,8 млн параметров, контекст — до 512 токенов. Карточка указывает английский язык. По оценкам автора, модель показала высокие результаты на этих наборах данных, в том числе на состязательном ANLI. Модель принимает текст и выдаёт метки и оценки классов. Результаты зависят от формулировок текста и кандидатов категорий, а модель может воспроизводить смещения обучающих данных. Для работы с актуальными версиями Transformers в README рекомендуется версия 4.13 или новее. Лицензия — MIT.

KnightsAnalytics/distilbert-NER — модель для распознавания именованных сущностей, основанная на архитектуре DistilBERT. По доступной карточке модели dslim/distilbert-NER с тем же названием и назначением, она дообучена на английской версии датасета CoNLL-2003 и выделяет в тексте людей, организации, местоположения и сущности категории MISC. Модель содержит около 66 млн параметров; максимальная длина контекста — 512 токенов. Метаданные указывают формат ONNX. Модель подходит для извлечения сущностей из англоязычных новостей и похожих текстов. Обучение на CoNLL-2003 ограничивает перенос результатов на существенно отличающиеся типы текста; возможны ошибки на сложных предложениях и смещения, связанные с обучающими данными. Для модели dslim/distilbert-NER указана лицензия Apache-2.0; идентичность лицензии репозитория KnightsAnalytics отдельно не подтверждена.

FewShotIssueClassifier-NLBSE23 — модель на базе SetFit и Sentence Transformers, разработанная для классификации отчётов об ошибках в четырёх категориях: bug, documentation, feature и question. Она дообучена на размеченной вручную части набора NLBSE23 и кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов и кластеризации. Модель построена на архитектуре MPNet, содержит 136,7 млн параметров и принимает текст с контекстом до 514 токенов. Основной сценарий — классификация сообщений об ошибках и запросах в проектах; векторы также пригодны для семантического поиска и группировки похожих отчётов. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии GPL-3.0.

GNER-T5-xxl — модель для генеративного распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре T5 и содержит 5,8 млрд параметров; модель дообучена с использованием отрицательных примеров для повышения качества распознавания сущностей, в том числе в ранее не встречавшихся областях. Предназначена для извлечения сущностей из текста и сценариев zero-shot NER. В карточке описаны результаты семейства GNER на базе Flan-T5, однако отдельные численные результаты именно для версии xxl не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors. Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.

Это преобразованная в формат MLX версия языковой модели Llama 3 8B Instruct с контекстом до 262 144 токенов. Репозиторий подготовлен сообществом mlx-community на основе gradientai/Llama-3-8B-Instruct-262k с помощью mlx-lm 0.12.0; модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она предназначена для диалоговой генерации текста и работы с длинными текстовыми контекстами. Метаданные указывают английский язык и поддержку чата. Репозиторий содержит веса safetensors в формате MLX; лицензия в доступных данных не приведена.

vikash06/mistral_v1 — текстовая генеративная модель семейства Mistral, представленная автором как модель для непосредственного использования. В README указано, что её экспериментально обучали на небольшом наборе данных, чтобы оценить влияние более длительного обучения на качество. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст 32 768 токенов и формат safetensors. Модель предназначена для генерации текста по инструкциям, включая творческое письмо, ответы на вопросы по предоставленному фрагменту и общим знаниям, суммаризацию, извлечение информации и классификацию. README сообщает о 1000 примерах для каждой категории и приводит результаты оценки на HellaSwag и AI2 Reasoning Challenge, но подробный технический отчёт обещан позднее. Автор README описывает модель как дообученную на базе Llama 2, однако метаданные указывают архитектуру Mistral; точная связь с базовой моделью требует осторожной интерпретации. Модель распространяется по лицензии MIT. Обучение на небольшом экспериментальном наборе ограничивает основания ожидать стабильного качества на широком круге задач; подробностей о языках обучения и оценке в карточке нет.

debisoft/mpt-7b-8k-instruct-peft-compatible — версия MPT-7B-Instruct-8k, подготовленная на основе eluzhnica/mpt-7b-8k-instruct-peft-compatible. Модель разработана MosaicML и дообучена для выполнения инструкций, в частности для ответов на вопросы и суммаризации длинных документов. В обучении использовались Dolly HHRLHF и наборы данных для математики, диалогов, вопросов по документам и других задач. Это плотный decoder-only трансформер MPTForCausalLM с 6,7 млрд параметров и 32 слоями. Архитектура использует FlashAttention и ALiBi без позиционных эмбеддингов. Модель предназначена для генерации текста; заявлен контекст 8k токенов в названии и описании исходной модели. Для загрузки через Transformers требуется доверенное выполнение пользовательского кода. Лицензия — CC-BY-SA-3.0. Модель подходит для ответов на вопросы и краткого изложения длинных текстов, однако может выдавать фактически неверные, предвзятые или оскорбительные ответы. README не сообщает о специальной поддержке русского языка; основные обучающие данные описаны как англоязычные.

Мультимодальная модель dealignai на базе Qwen3.6-35B-A3B предназначена для диалогов, рассуждений и анализа изображений и видео. В README указана архитектура Mixture-of-Experts с гибридом SSM и полнослойного внимания: 40 слоёв, 256 маршрутизируемых экспертов и 10 активных. Модель дообучена с удалением отказов на уровне весов, а затем квантизирована в MXFP4 для запуска через MLX на компьютерах Apple с заявленным размером около 18 ГБ; сохранена голова MTP для спекулятивного декодирования. Заявлены режимы рассуждений и прямых ответов, а также интерфейс вызова инструментов. Модель подходит для визуальных вопросов и ответов, анализа видеокадров, диалоговых и агентных сценариев. В README приведены результаты HarmBench-320 99,4%, MMLU 74,6% и ускорение генерации в 1,51 раза при использовании совместимого MTP-рантайма; это результаты авторской оценки через vMLX. Модель распространяется по лицензии Apache-2.0. Удаление отказов означает, что она может отвечать на опасные запросы без ограничений.

Qwen3.8-Flash-Next-Uncensored-NVFP4 — квантизированная версия модели Qwen3.8-Flash-Next, разработанной Qwen и опубликованной OrcaRouter. Это мультимодальная Mixture-of-Experts-модель для работы с текстом и изображениями, рассуждений, вызова инструментов, функционального вызова, исследовательского red-teaming и анализа механизмов отказа моделей. Модель представляет preview-архитектуры Qwen4 и поддерживает английский и китайский языки. Архитектура включает 512 экспертов, из которых для каждого запроса активируются 10 маршрутизируемых и 1 общий эксперт, Gated DeltaNet linear attention, Qwen Sparse Attention, HyperConnections и PLE n-gram embeddings. Экспертные веса сжаты в NVFP4 с точностью 4 бита, attention и общие экспертные веса — в FP8, а отдельные компоненты, включая эмбеддинги, vision tower и нормализации, сохранены в bf16. Размер хранения сокращён примерно с 330 ГБ в bf16 до 178 ГБ; KV-кэш во время работы остаётся в bf16. Главное преимущество модели — значительное снижение требований к памяти при сохранении полноточных путей в важных компонентах, а также встроенная поддержка vision, reasoning и tool calling. Ограничения включают необходимость GPU с архитектурой Blackwell и FP4 tensor cores; Hopper и более старые GPU не поддерживаются. Для запуска нужны свежие версии vLLM с архитектурой qwen4_exp и compressed-tensors NVFP4, а мультимодальный режим зависит от поддержки vision-стека Qwen. Из модели удалена значительная часть safety alignment методом abliteration, поэтому она может выполнять вредоносные или незаконные запросы, от которых исходная модель отказалась бы. Модель предназначена только для легитимных исследований; перед практическим развёртыванием необходимы собственные фильтры безопасности и модерация. Лицензия — Apache 2.0, унаследованная от базовой модели.

coder3101/Qwen3-VL-4B-Thinking-heretic — дообученная методом abliteration версия мультимодальной модели Qwen3-VL-4B-Thinking от Qwen. Она принимает текст и изображения, поддерживает диалог и предназначена для визуальных вопросов и ответов, анализа изображений и видео, распознавания текста на изображениях, пространственного рассуждения и взаимодействия с графическими интерфейсами. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса опубликованы в формате safetensors. Базовая модель заявляет контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержку OCR на 32 языках, однако эти характеристики в README относятся к исходной модели и отдельно для производной версии не подтверждены. README описывает уменьшение числа отказов: 3 отказа из 100 против 97 у исходной модели, при KL-дивергенции 0,0259. Это указывает на ослабление отказного поведения, но не гарантирует отсутствие отказов или точность ответов. Модель распространяется по лицензии Apache-2.0.

TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.

Модель krupper/text-complexity-classification разработана Рубеном Клеппом для классификации сложности немецкоязычных текстов. Она относит текст к одному из четырёх классов: лёгкий язык (leichte Sprache), простой язык (einfache Sprache), повседневный язык (Alltagssprache) или специальный язык (Fachsprache).

Tucano2-qwen-3.7B-Instruct — компактная языковая модель Polygl0t для диалогов и выполнения инструкций на португальском языке. Она основана на Tucano2-qwen-3.7B-Base и дообучена в два этапа: supervised fine-tuning и Anchored Preference Optimization (APO). Модель построена на плотной архитектуре Transformer семейства Qwen3, содержит около 3,4 млрд параметров и принимает контекст до 4096 токенов. Модель подходит для генерации ответов, суммаризации, формирования структурированных данных, сценариев RAG, вызова функций и использования инструментов. Разработчики сообщают о результатах на португальских и других бенчмарках, включая задачи на знания, следование инструкциям и программирование. Модель рассчитана прежде всего на исследования и разработку португалоязычных систем; для других языков возможны ошибки понимания и ответов. Модель может галлюцинировать, воспроизводить предвзятость и токсичность обучающих данных, повторяться или давать избыточные ответы. Для применения в реальных системах рекомендуется самостоятельно оценивать риски и качество. Лицензия — Apache 2.0.

Xiangxin-2XL-Chat-1048k — чат-модель компании Xiangxin AI на архитектуре Llama 3. Она основана на Meta Llama-3-70B-Instruct с расширением контекста, разработанным Gradient AI, и дообучена методом ORPO на закрытом наборе данных для выравнивания китайских ценностей. Модель содержит 69,5 млрд параметров и поддерживает контекст до 1 048 576 токенов. Модель предназначена для диалогов, генерации текста и работы с длинными контекстами, особенно на китайском языке; также заявлена поддержка английского. Разработчик приводит результаты восьми тестов с усреднённой оценкой 70,22 и сообщает, что модель превзошла Gradientai-Llama-3-70B-Instruct-Gradient-1048k по этому среднему показателю. Для запуска через Transformers требуется около 400 ГБ видеопамяти. Модель распространяется по лицензии Llama 3.

XLM-V Base — многоязычная языковая модель с архитектурой XLM-RoBERTa и примерно 806 млн параметров, разработанная авторами исследования XLM-V. Она обучена на 2,5 ТБ данных Common Crawl и использует словарь размером один миллион токенов, чтобы улучшить покрытие языков и создавать более короткие, содержательные токенизации. Модель предназначена для заполнения пропусков в тексте и может служить основой для задач понимания языка, включая вывод по естественному языку, ответы на вопросы и распознавание именованных сущностей. В исследовании XLM-V превзошла XLM-R на протестированных задачах, включая несколько задач для языков с ограниченными ресурсами. Репозиторий содержит веса PyTorch; контекст — до 514 токенов. Модель охватывает множество языков, в том числе английский, арабский, хинди, японский, корейский, французский, немецкий и испанский. Лицензия — MIT. Для оценки рисков и ограничений README отсылает к карточке XLM-R; результаты исследования не гарантируют качество на любых языках и прикладных задачах.

Yi-Ko-6B-instruct-v1.5 — инструктивная языковая модель, дообученная автором cocoirun на базе семейства Llama. По карточке, модель прошла SFT на примерно 110 тысячах примеров: использовались самостоятельно подготовленные корейские данные по истории, естественным наукам, математике, машинному чтению, анализу отзывов и грамматике, а также материалы Open-Orca-Ko, KoBEST и AIHub. Обучение выполнялось с помощью LoRA. Модель предназначена для генерации ответов и выполнения инструкций в задачах на корейском и английском языках, включая вопросы и ответы, машинное чтение, суммаризацию, перевод и анализ отзывов. Это плотная архитектура LlamaForCausalLM примерно на 5,9 млрд параметров с контекстом 2048 токена; репозиторий содержит веса Safetensors. Лицензия — CC BY-SA 4.0. Карточка не приводит количественных оценок качества. Данные обучения закрыты, поэтому состав и воспроизводимость SFT ограничены доступной информацией; контекст 2048 токена ограничивает работу с длинными документами.

ZoyLLM-7B-SlimOrca — генеративная языковая модель команды Zoy AI, дообученная с помощью LoRA на базе Mistral-7B-v0.1. Это плотная Transformer-модель на 7,1 млрд параметров с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; для диалога используется шаблон ChatML. Заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы и тестирование RAG. При дообучении использовались SlimOrca, EverythingLM v3 и небольшой набор примеров для самоописания. В карточке приведены результаты на отдельных бенчмарках, но они не гарантируют качество для конкретных задач. Поддержка английского указана в метаданных. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные работы на тех же условиях; коммерческое использование не разрешено.

SegeeMak/bert-finetuned-ner — модель BERT для классификации токенов, дообученная разработчиком SegeeMak на неизвестном наборе данных. Она предназначена для задач разметки последовательностей, в частности для распознавания именованных сущностей. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с контекстом до 512 токенов. В карточке приведены результаты на оценочном наборе: F1 0,9398, точность 0,9301, полнота 0,9497 и accuracy 0,9858. Язык данных, типы распознаваемых сущностей и состав обучающего набора не раскрыты, поэтому применимость к конкретному языку или схеме разметки требует проверки. Лицензия — Apache-2.0.

CogAgent-VQA — открытая визуально-языковая модель от команды Zhipu AI, улучшенная на основе CogVLM. Эта версия контрольной точки предназначена прежде всего для диалога по изображению в один ход и оценки на тестах визуальных вопросов и ответов, включая VQAv2 и MM-Vet. Модель принимает изображение высокого разрешения до 1120×1120 и текстовый вопрос, а в ответ генерирует текст; также заявлены возможности OCR и понимания интерфейсов веб-страниц, настольных и мобильных приложений. В README семейство описано как CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров, тогда как метаданные этого репозитория указывают 6,6 млрд параметров, архитектуру CogAgentForCausalLM и контекст 2048 токенов. Поэтому размер конкретной опубликованной модели расходится с описанием семейства в карточке. Репозиторий содержит веса Safetensors и имеет лицензию Apache-2.0 в метаданных; README указывает, что для коммерческого использования требуется регистрация и соблюдение условий лицензии. Для GUI-агента, визуального заземления и многоходового диалога разработчики рекомендуют вариант cogagent-chat.

commandr-35b-cpt-sft-i1-GGUF — это квантизированная версия текстовой авторегрессионной модели commandr-35b-cpt-sft, преобразованная в формат GGUF пользователем mradermacher на основе модели ubitech-edg. Модель создана для генерации текста и работы с языковыми задачами, включая ответы на вопросы, обработку материалов из научной, государственной, новостной и энциклопедической сфер. Обучение включало continual pretraining и supervised fine-tuning на английских данных, в том числе синтетических вопросах и ответах. Модель относится к классу AutoModelForCausalLM и содержит около 35 млрд параметров. Она поддерживает только текстовую модальность и английский язык. Репозиторий предоставляет множество вариантов квантизации GGUF с разным размером, скоростью и качеством: от IQ1_S размером 8,6 ГБ до Q6_K размером 28,8 ГБ. Варианты Q4_K_S и Q4_K_M позиционируются как сбалансированные по размеру, скорости и качеству, при этом Q4_K_M рекомендован как быстрый вариант. Низкобитные варианты требуют меньше памяти, но могут заметно уступать в качестве. Лицензия модели — Apache-2.0. README не указывает размер контекстного окна, точную базовую архитектуру, системные требования, результаты оценивания или гарантии качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

Это модель EVA-02 в варианте CLIP, опубликованная организацией timm (PyTorch Image Models). Она предназначена для классификации изображений без примеров обучения на заданных категориях: изображение сопоставляется с текстовыми описаниями классов, а модель оценивает их соответствие. Модель использует архитектуру EVA-02 с патчами 14×14 и CLIP-подобное совместное представление изображений и текста; входной размер изображения — 224 пикселя. В названии указаны обучение на LAION-2B и вариант обучения s9b продолжительностью 144k шагов. Модель принимает изображения и текстовые метки или описания, выдаёт оценки соответствия для выбора наиболее подходящей категории. Для использования предусмотрена библиотека OpenCLIP. Репозиторий распространяется по лицензии MIT. Карточка не приводит конкретный перечень поддерживаемых естественных языков; качество зависит от формулировки текстовых меток и состава данных обучения.

Это облегчённая модель идентификации языка на основе библиотеки fastText, представленная Meta. Она классифицирует входной текст по языку; размещённая версия lid218e, выпущенная в рамках проекта NLLB, распознаёт 217 языков. Модель предназначена для автоматической маркировки языка коротких фрагментов, предварительной маршрутизации текста и выбора подходящих языковых инструментов. fastText рассчитан на эффективную работу на стандартном оборудовании и подходит как для прототипирования, так и для производственных сценариев. В README также описаны предобученные векторы fastText для 157 языков, полученные методом CBOW с позиционными весами и символьными n-граммами; эти параметры не следует считать подтверждённой спецификацией именно размещённого классификатора lid218e. Лицензия репозитория — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии. Возможны смещения в предсказаниях.

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

GOT-OCR 2.0 — мультимодальная модель для распознавания текста в изображениях, представленная командой авторов, перечисленных в карточке проекта General OCR Theory. Она реализует подход OCR-2.0 как единую сквозную модель и предназначена для извлечения текста из изображений; в метаданных также указана поддержка задач генерации текста и image-text-to-text. Модель использует плотную архитектуру GOTQwenForCausalLM и содержит 463,8 млн параметров. Она принимает изображения и выдаёт текст; карточка заявляет мультиязычную поддержку. Для запуска README приводит пример инференса через Hugging Face Transformers на GPU NVIDIA. В метаданных указан контекст 32 768 токенов, хотя его практическая роль для OCR в README не раскрыта. Модель опубликована под лицензией Apache-2.0. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и форматах OCR, поэтому применимость к конкретным языкам и типам документов следует оценивать отдельно.

IndicOCR — разработанная Bodhan AI модель для распознавания текста и разбора страниц документов на английском и индийских языках. Она принимает изображение страницы и формирует упорядоченный по чтению Markdown, а также структурированные данные JSON по блокам. Система состоит из двух этапов: IndicDocLayout на базе PP-DocLayoutV3/RT-DETR обнаруживает и упорядочивает элементы страницы, а IndicBlockOCR на базе Qwen3.5-0.8B распознаёт текстовые блоки. Размеры компонентов составляют 33 млн и 0,8 млрд параметров соответственно; распознаватель использует токенизатор Sarvam-30B. Модель предназначена для OCR и разбора документов, включая печатный текст на английском и 22 индийских языках, а также рукописный текст на английском и 12 индийских языках. Она поддерживает сохранение порядка чтения, представление формул в LaTeX и таблиц в HTML или Markdown. По умолчанию изображения, диаграммы, реклама, колонтитулы и верхние/нижние колонтитулы определяются, но не передаются распознавателю; в JSON для них остаётся пустой текст. Качество распознавания рукописного текста ещё улучшается и зависит от стиля письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.