I.1Поиск и навигация по информации

Smaug Dolphin 60B — объединённая методом MoErge языковая модель на архитектуре Mixtral, созданная на основе abacusai/Smaug-34B-v0.1 и cognitivecomputations/dolphin-2.2-yi-34b-200k. Она предназначена для диалоговой генерации текста. В метаданных указаны 33,9 млрд параметров и контекст до 200 000 токенов; репозиторий содержит веса в формате safetensors. В README приведены результаты оценивания на бенчмарках рассуждений и понимания текста, включая средний балл 76,44, ARC и HellaSwag. Карточка сообщает, что модель работает ожидаемо, а оценки ещё проводятся. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами лицензии репозитория.

SymSTS-MiniLM-L6 — англоязычная модель Blueprint AI для оценки семантического сходства двух предложений. Это дообученная версия sentence-transformers/all-MiniLM-L6-v2 на основе энкодера BERT; в метаданных указано 25,9 млн параметров и контекст до 512 токенов. Модель создаёт векторные представления предложений и предназначена прежде всего для сравнения их смысла, а не для универсального поиска по документам или классификации. При обучении пары предложений меняли местами, сохраняя оценку сходства; использованы обучающие части STS-бенчмарков, включая STS Benchmark и STS12. Модель рассчитана на быстрый запуск на CPU и потребительских GPU. Лицензия — Apache-2.0. Качество может снижаться на текстах, существенно отличающихся от англоязычных STS-данных, например в специализированных доменах. Симметричность сходства не всегда подходит для задач направленного поиска; в высокорисковых сценариях модель не следует использовать как единственное основание для решения.

Карточка модели ldov/TeleOCR на Hugging Face совпадает с карточкой XingChen-AGI/TeleOCR, поэтому описание составлено по ней. 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.

timm/ViT-SO400M-14-SigLIP2-378 — контрастивная модель «изображение—текст» семейства SigLIP 2, обученная на наборе WebLI. Чекпойнт из исходных JAX-весов Big Vision преобразован для использования в OpenCLIP; модель предназначена для классификации изображений без дообучения по текстовым описаниям классов. Модель сопоставляет изображение с текстовыми вариантами и позволяет выбирать наиболее подходящее описание. Её можно применять для категоризации изображений по произвольным текстовым меткам и поиска изображений по смысловому соответствию. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку OpenCLIP. Лицензия — Apache-2.0.

Карточка модели Alireza48/whisper-large-fa-v1 на Hugging Face совпадает с карточкой vhdm/whisper-large-fa-v1, поэтому описание составлено по ней. vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

ZEUS-8B-V17-abliterated — текстовая диалоговая модель, созданная T145 с помощью mergekit методом passthrough из T145/ZEUS-8B-V17 и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 7,1 млрд параметров и рассчитанная на генерацию текста и диалоговые сценарии. Метаданные указывают контекстное окно до 131 072 токенов и поддержку интерфейса вызова инструментов. Модель принимает текст и генерирует текст; карточка не приводит специальных предметных областей или перечня поддерживаемых естественных языков. В README опубликованы результаты Open LLM Leaderboard, включая 75,76% на IFEval и 31,52% на BBH. Эти оценки отражают отдельные тесты и не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

AIFT-ko-orca-plat-Yi-ko-6b-v1.7 — корейская instruct-модель для генерации текста, созданная на основе обучающих данных, собранных и очищенных разработчиком AIFT. Авторы использовали около 40 тысяч примеров: задания из KOR-OpenOrca-Platypus, данные по истории, науке, математике, машинному чтению, анализу отзывов и грамматике, а также материалы для перевода между английским и корейским. В README также указаны задания на краткое изложение и вопросы на проверку фактов. Модель имеет плотную архитектуру семейства Llama, около 5,9 млрд параметров и контекст до 2048 токенов. Для обучения применялся LoRA на двух ускорителях A100 с 40 ГБ памяти. Модель подходит для ответов на вопросы, учебных заданий, чтения и пересказа текста и перевода с английского на корейский и обратно. Обучающие данные не опубликованы, поэтому их состав и качество нельзя независимо проверить. Модель распространяется по лицензии CC BY-SA 4.0; при использовании и распространении производных следует учитывать её условия.

BLOOMZ-1b7 — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная следовать инструкциям на примерах из смеси задач xP3. Она предназначена для выполнения заданий, сформулированных на естественном языке, в режиме zero-shot: например, для перевода, ответов на вопросы, классификации тональности и создания коротких историй. Модель содержит около 1,7 млрд параметров, использует архитектуру BloomForCausalLM и принимает текстовые запросы; максимальный контекст — 4096 токенов. Модель обучалась на многоязычных данных и поддерживает широкий набор языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Результат зависит от формулировки запроса: полезно явно обозначать границу входа и желаемый язык ответа, а недостаточный контекст или неоднозначный промпт могут привести к продолжению исходного текста вместо ответа. Модель может ошибаться и не гарантирует качество на всех языках и задачах. Лицензия — BigScience BLOOM RAIL 1.0.

DeBERTa-v3-large-tasksource-nli — англоязычная модель sileod на базе DeBERTa-v3-large, дообученная многозадачным обучением на коллекции tasksource из 600 задач. Это общий энкодер с классификационной головой MNLI; обучение охватывало задачи вывода, классификации и множественного выбора. Модель предназначена для классификации текста по заданным категориям без отдельного дообучения, а также может служить основой для дальнейшей настройки под классификацию и тесты с вариантами ответа. Среди заявленных характеристик — сильные результаты zero-shot на ряде задач и хорошие показатели линейного зондирования CLS-эмбеддинга. Модель содержит около 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Для использования доступны веса PyTorch и Safetensors через Transformers. Лицензия — Apache-2.0. Модель ориентирована на английский язык. Как и другие классификаторы на основе NLI, она может ошибаться при неоднозначных формулировках или категориях, отличающихся от обучающих; ограничение контекста — 512 токенов.

unsloth/DeepSeek-OCR — адаптированная для запуска и дообучения через актуальные версии Transformers копия DeepSeek-OCR, опубликованная Unsloth. В README указано, что изменения обеспечивают совместимость с Transformers и не влияют на точность. Это плотная мультимодальная модель семейства DeepSeek-VL-v2 с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Модель предназначена для распознавания текста и извлечения содержимого из изображений документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в текстовой форме; среди поддерживаемых задач также указана генерация текста. Контекст модели составляет 8192 токена, а карточка помечает её как многоязычную. Модель можно запускать и дообучать через Transformers; README также упоминает поддержку vLLM для ускорения инференса и обработки PDF. Репозиторий содержит веса safetensors. Лицензия — MIT. README не приводит подробных оценок качества или перечня поддерживаемых языков.

DiffusionGemma 26B-A4B-it MXFP8 — языковая модель с блоковой диффузионной генерацией, подготовленная OsaurusAI для запуска через движок vMLX на компьютерах Apple Silicon. В отличие от авторегрессионной генерации, она формирует текстовые блоки размером до 256 токенов и уточняет их итеративным денойзингом. Архитектура — 30-слойная Gemma 4-style MoE с 128 экспертами и выбором 8 экспертов; всего 26 млрд параметров, активно используется около 4 млрд. Веса основных компонентов квантованы в MXFP8, а эмбеддинги, нормализации и визуальный модуль сохранены в fp16; файлы занимают около 26 ГБ. Модель предназначена для диалога и генерации текста, анализа одного или нескольких изображений и вызова инструментов в формате Gemma 4. Для работы с изображениями используется визуальный модуль Gemma 4. Темп генерации на M5 Max указан как 28–42 токена в секунду при 48 шагах денойзинга; фактическая скорость зависит от оборудования и бюджета шагов. Лицензия — Gemma. При очень коротких запросах жадная стратегия денойзинга иногда приводит к пустому ответу; повторная попытка или переформулировка могут помочь. Параметры temperature и top_p, переданные через интерфейс, игнорируются: параметры сэмплирования задаются конфигурацией модели, а уменьшение числа шагов ниже 12 ухудшает качество. Для запуска указана среда Apple Silicon с Osaurus и движком vMLX.

lokeshe09/gemma-4-31B-it-SFT_OCR_OCR — дообученная lokeshe09 мультимодальная модель Gemma 4 на 31 млрд параметров, созданная на основе unsloth/gemma-4-31B-it с использованием Unsloth и TRL. Модель принимает изображения и текст и предназначена для ответов на запросы по изображениям; название указывает на дообучение для OCR и извлечения текста из изображений. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о контекстном окне или конкретных языках OCR; метаданные карточки указывают английский язык.

granite-4.1-8b-Claude-Opus-4.6-Thinking-MAX — экспериментальная разговорная языковая модель DavidAU, дообученная на базе IBM Granite-4.1-8B с помощью Unsloth на наборе примерно из 3 тысяч примеров. Дообучение направлено на переход от режима следования инструкциям к режиму рассуждений; в обучении использовались данные, связанные с Polaris, GLM 4.7 и Claude Opus 4.6. Модель имеет плотную архитектуру GraniteForCausalLM, около 8,4 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций с многошаговым рассуждением. Автор приводит результаты тестов на общих языковых бенчмарках и примеры сложных генераций, но они не гарантируют качество на других задачах. README рекомендует контекст не менее 8 тысяч токенов и квантизацию не ниже Q4_K_S, отмечая, что более высокая точность может улучшить результаты. Базовая Granite-4.1-8B поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский; сведения о языковом охвате именно дообученной версии отдельно не приведены. Лицензия — Apache 2.0.

Модель Pruthwik Mishra и Yash Ingle — дообученная версия MuRIL на базе BERT для определения языка входного текста. Она классифицирует текст на английский и 22 официальных языка Индии, с отдельными метками для некоторых языков, записанных разными письменностями. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате Safetensors для Transformers. Модель предназначена для автоматической языковой разметки текстов и включения в NLP-конвейеры. В README сообщается о среднем F1 0,96 на созданном корпусе и бенчмарке Bhasha-Abhijnaanam. Лицензия — MIT. Авторы предупреждают о возможном снижении качества для малоресурсных языков и письменностей, включая манипури письмом мейтей, синдхи и майтхили; для языков за пределами английского и индийских модель может работать ненадёжно.

Isaac-0.2-1B — компактная гибридная модель PerceptronAI для обработки изображений и диалога. В репозитории указано 507,9 млн параметров; архитектура — плотная IsaacForConditionalGeneration, формат весов — safetensors, контекст — до 40 960 токенов. Модель принимает изображения и текстовые запросы и отвечает текстом. Модель предназначена для визуального рассуждения и восприятия: распознавания текста на документах, схемах и экранах, привязки объектов к областям изображения, понимания интерфейсов и навигации по ним. Она поддерживает структурированные ответы, вызов инструментов и режим Focus для увеличения и повторного анализа выбранной области; README также описывает краткие рассуждения для многошаговых и пространственных задач. Указаны сценарии робототехники, поиска по медиаматериалам и промышленного контроля. Модель ориентирована на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение. Компактный размер рассчитан на работу на обычных GPU и периферийных устройствах, однако README не приводит независимых результатов бенчмарков, поэтому заявления о точности следует проверять на целевых данных.

LFM2.5-VL-1.6B — компактная мультимодальная модель Liquid AI для понимания изображений и диалога по визуальному содержимому. Это дообученная версия LFM2.5-1.2B-Base: языковая основа дополнена визуальным энкодером SigLIP2 NaFlex на 400 млн параметров. Модель содержит 1,6 млрд параметров и имеет контекст 32 768 токенов. Модель принимает изображения и текст, а отвечает текстом. Она подходит для описания изображений, распознавания текста на изображениях и документах, ответов на вопросы по визуальному содержимому и работы с несколькими изображениями. Поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Обрабатывает изображения до 512×512 пикселей без масштабирования; более крупные изображения делит на фрагменты с дополнительным обзорным изображением. Для локального запуска и адаптации доступны Transformers и vLLM. К сильным сторонам относятся следование инструкциям, обработка изображений высокого разрешения, OCR и многоязычное понимание изображений. Модель не предназначена для задач, требующих обширных знаний. В карточке Hugging Face лицензия обозначена как other; конкретные условия следует сверить с файлами репозитория Liquid AI.

Omniverse-v1 — компактная визуально-языковая модель от инициативы Omniverse для интеллектуальной обработки документов. Она основана на архитектуре PaddleOCR-VL и настроена для локального извлечения данных из документов; в репозитории указаны 318,2 млн параметров, архитектура OmniverseV1ForConditionalGeneration и веса в формате safetensors. Модель принимает изображения документов и извлекает их содержимое в структурированный Markdown. Она предназначена для распознавания плотных таблиц, счетов, экзаменационных ведомостей и неструктурированных PDF, включая многостолбцовый текст, формулы и диаграммы. Для работы автор рекомендует Omniverse Python/Gradio pipeline. Карточка заявляет поддержку английского языка и контекстное окно 131 072 токена. Модель распространяется по лицензии Apache-2.0. Результаты распознавания сложной разметки и визуальных данных могут требовать проверки; подробные оценки качества и перечень поддерживаемых языков, кроме английского, в карточке не приведены.

PE-Core-B-16 — модель семейства Perception Encoder, разработанного Meta для понимания изображений и видео. Этот репозиторий содержит версию исходных весов, преобразованную для OpenCLIP; модель использует совместно обученные визуальный и текстовый энкодеры для сопоставления изображений и текста. Модель предназначена для классификации изображений по текстовым меткам без дополнительного обучения, а также для извлечения признаков и поиска по изображениям и текстовым запросам. Визуальный ViT-B/16 содержит около 90 млн параметров, обрабатывает изображения с разрешением 224 пикселя и использует attention pooling; текстовая башня имеет 310 млн параметров и контекст 32 токена. Общий размер проекции CLIP — 1024. В карточке отмечены результаты на задачах классификации и поиска изображений и видео. Модель доступна в форматах PyTorch и safetensors через библиотеку OpenCLIP. Лицензия — Apache-2.0. Она предназначена для извлечения визуально-текстовых признаков и оценки соответствия изображения текстовым описаниям; текстовый контекст ограничен 32 токенами, а входное разрешение — 224 пикселями.

Qwen2-VL-7B-Instruct — мультимодальная модель компании Qwen с архитектурой Qwen2-VL и 7,1 млрд параметров. Это версия, дообученная для выполнения инструкций на основе Qwen/Qwen2-VL-7B; она принимает текст и изображения, а также анализирует видео по визуальным кадрам. Модель поддерживает динамическое разрешение изображений и использует M-ROPE для представления текстовых, двумерных визуальных и трёхмерных видеопозиций. Контекст — 32 768 токенов. Модель предназначена для диалога по изображениям и видео, визуального анализа и ответов на вопросы о содержимом, включая разбор документов и графиков. В README отмечена поддержка чтения текста на изображениях на многих языках, включая европейские языки, японский, корейский, арабский и вьетнамский; метаданные также указывают английский язык карточки. Модель не обрабатывает аудио в видео; её ограничения включают устаревание знаний об изображениях после июня 2023 года, неточный подсчёт объектов, слабое пространственное рассуждение и трудности со сложными многошаговыми инструкциями. Лицензия — Apache-2.0.

Qwen2-VL-OCR-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на базе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, преобразования изображений в текст и решения математических задач с выводом формул в LaTeX. Модель семейства Qwen2-VL имеет плотную архитектуру условной генерации, содержит 1,5 млрд параметров и работает с изображениями и текстовыми запросами; заявленная длина контекста — 32 768 токенов. Модель подходит для извлечения текста и формул из изображений, ответов на вопросы по визуальным материалам и диалоговой работы с изображениями. В карточке заявлена поддержка текста на английском и китайском, а также многих других языков внутри изображений. Унаследованные возможности базовой Qwen2-VL включают анализ видео, однако специальное дообучение здесь описано прежде всего для OCR и математических задач. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит независимых оценок точности именно этой версии; заявленные характеристики базового семейства не гарантируют аналогичные результаты на всех типах документов и языках.

SJT-14B — объединённая языковая модель на архитектуре Qwen2 с 14 млрд параметров, созданная с помощью mergekit и метода TIES. В качестве базовой использована hotmailuser/QwenSlerp2-14B, также в объединение вошла djuna/Q2.5-Veltha-14B. Модель предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает японский и английский языки и имеет контекст длиной до 131 072 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Swallow-MS-7b-instruct-v0.1 — разговорная языковая модель TokyoTech-LLM, созданная на базе Mistral-7B-v0.1 с продолженным предобучением на данных, в основном добавлявших японский язык, и последующей настройкой на выполнение инструкций. Репозиторий также меняет chat template токенизатора базовой модели. Модель с архитектурой Mistral, 7,2 млрд параметров, рассчитана на генерацию текста в диалоговом формате; родной контекст — 4096 токенов. Модель предназначена для ответов на инструкции, написания и извлечения текста, ролевого диалога, рассуждений, задач STEM и гуманитарных вопросов на японском и английском языках. Расширенный японский словарь токенизатора позволяет эффективнее представлять японский текст. В README приведены результаты оценки на японском MT-Bench и других бенчмарках; показатели по математике сравнительно низкие. Модель разработана TokyoTech-LLM. Выпускается по лицензии Apache-2.0. Авторы предупреждают, что модель находится на ранней стадии разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Для instruct-варианта рекомендуется использовать указанный в карточке формат инструкций, иначе качество ответов может снизиться.

Это модель CLIP с архитектурой ViT-B-32, обученная на данных LAION-2B и доступная для использования через open_clip и timm. Она сопоставляет изображения и текстовые описания в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым меткам без дополнительного дообучения и поиска изображений по описанию. Модель принимает изображения и текст, а выдаёт векторные представления и оценки сходства; размер входного изображения соответствует варианту CLIP 224. Модель предназначена для сценариев, где классы можно задать текстовыми формулировками: например, для быстрой классификации изображений или прототипа поиска по визуальному содержимому. Лицензия — MIT. Ограничение: качество зависит от формулировок текстовых меток и распределения данных; сведения о поддерживаемых естественных языках в карточке модели не приведены.

Yi-Ko-6B-instruct-v2.0 — корейская инструкционная языковая модель семейства Llama, разработанная автором репозитория cocoirun. Модель дообучена методом SFT с LoRA на примерно 110 тысячах примеров, собранных из открытых NLP-данных и вручную подготовленных материалов. В обучение вошли задания по истории, естественным наукам, математике, машинному чтению, анализу отзывов, обобщению, грамматике и общим знаниям, а также корейско-английские и англо-корейские переводы. Модель предназначена для генерации ответов и выполнения инструкций на корейском и английском языках. В карточке указаны 5,9 млрд параметров, архитектура LlamaForCausalLM и контекст 2048 токенов. Автор сообщает об использовании LoRA и двух ускорителей A100 40G при обучении; обучающие данные закрыты. Репозиторий распространяется в формате safetensors по лицензии CC BY-SA 4.0. Качество может зависеть от тематики и формулировки запроса; в карточке нет количественных оценок качества или подробных результатов тестирования. Модель ориентирована на текстовые задачи и не заявлена как специализированная система для отдельных прикладных областей.

ArlowGPT-3B — компактная плотная языковая модель на архитектуре Llama 3.2 3B Instruct, дообученная разработчиком yuchenxie на наборе инструкций за пять эпох. Модель содержит 3,2 млрд параметров, работает с текстом и предназначена для диалогов и генерации ответов на инструкции; в метаданных указаны контекст до 131 072 токенов и интерфейс вызова инструментов. Карточка описывает примеры обучающих данных для разговоров, вопросов и ответов, справочных материалов и творческого письма, но не приводит их названия или независимые оценки качества. Модель подходит для чат-ботов, ответов на вопросы, создания текстов и краткого изложения документов в приложениях с ограниченными вычислительными ресурсами. README заявляет применение в юридических, медицинских и финансовых сценариях, однако не приводит профильной проверки качества для этих областей. Возможные ограничения включают более слабое решение сложных задач и зависимость результатов от типа задания. Лицензия — MIT.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

DeepSeek-OCR-Metal-MPS — вариант DeepSeek-OCR, опубликованный Dogacel, с изменениями для запуска инференса на Apple Metal Performance Shaders (MPS) и CPU через Transformers. Модель принимает изображения и формирует текст, в частности распознаёт текст и извлекает содержимое из изображений документов; её архитектура относится к семейству DeepSeek VL V2, а число параметров составляет 559,7 млн. Контекст — до 8192 токенов, заявлена поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README описывает запуск на MPS и CPU; интеграция с vLLM не проверена. Это доработка исходной модели deepseek-ai/DeepSeek-OCR для совместимости с указанными устройствами, поэтому качество распознавания зависит от исходной модели и входных изображений.

donut-base-sroie — дообученная модель davelotito для преобразования изображений документов в текст. Она построена на архитектуре VisionEncoderDecoderModel и предназначена для сценариев, где нужно извлечь текстовое содержимое из изображения. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете imagefolder, но сведения о составе данных, качестве и конкретных ограничениях отсутствуют. Метаданные также относят модель к задаче image-text-to-text и указывают поддержку изображений.

Thien0103 дообучил модель microsoft/trocr-base-stage1 на наборе данных, который в карточке не описан. Это модель архитектуры VisionEncoderDecoder для распознавания текста на изображениях; карточка указывает задачу image-text-to-text и поддержку обработки изображений. Модель подходит для извлечения текста с изображений и сканированных документов. Подробности о данных, обозначенных в названии направлениях распознавания, а также результаты оценки в карточке не приведены. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

GOT_CPU — версия модели General OCR Theory (GOT), опубликованная пользователем srimanth-d. Это плотная модель класса GOTQwenForCausalLM с 463,8 млн параметров, предназначенная для OCR: извлечения текста из изображений и мультимодальных задач, связанных с распознаванием документов. В карточке указано использование через Transformers; README описывает запуск инференса на CPU. Модель принимает изображения и текстовые запросы и генерирует текстовый результат. Метаданные относят её к многоязычным моделям и указывают контекстное окно 32 768 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Среди возможных ограничений: качество распознавания может зависеть от языка, качества изображения и типа документа; README не приводит результаты оценки или подробности о поддерживаемых языках.