I.3Извлечение и структурирование данных

NuExtract 2.0 8B — мультимодальная модель компании NuMind для извлечения информации в структурированный формат. Она основана на Qwen2.5-VL и дообучена для работы с текстом и изображениями; содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Для извлечения пользователь передаёт текст или изображение и JSON-шаблон с нужными полями и типами значений. Модель возвращает найденные данные в соответствии со схемой, поддерживая строки, числа, даты, перечисления и массивы. Она также может создавать шаблоны из текстового описания или преобразовывать схемы из других форматов. Для задач с неоднозначностью можно добавить примеры в контекст; разработчики рекомендуют использовать температуру, близкую к нулю. Модель предназначена для многоязычного извлечения информации из документов и других текстовых или визуальных источников. Её можно развёртывать через Transformers или vLLM. Лицензия репозитория — MIT.

GLM-OCR — мультимодальная модель оптического распознавания символов от Z.ai, скопированная в репозиторий AIArchive без изменения весов из zai-org/GLM-OCR. Она предназначена для извлечения текста и структурированных сведений из изображений документов, включая сложные макеты, таблицы, формулы, печати и документы с большим количеством кода. Архитектура сочетает визуальный энкодер CogViT, межмодальный соединитель и языковой декодер GLM-0.5B; модель содержит 0,9 млрд параметров и использует архитектуру GLM-V encoder–decoder. Для разбора документов рекомендован SDK с анализом макета на основе PP-DocLayout-V3; для извлечения сведений README описывает прямой запуск модели с запросом по заданной JSON-схеме. Модель поддерживает китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. По данным README, она показывает высокие результаты на тестах распознавания документов и рассчитана на эффективный инференс, включая высоконагруженные и периферийные сценарии. README отмечает, что при извлечении данных необходимо строго задавать JSON-схему. Репозиторий содержит неизменённую копию весов в формате safetensors; лицензия — MIT.

Hanji Parse 4B — модель компьютерного зрения и языка, разработанная Hanji Dev и дообученная на Qwen/Qwen3-VL-4B-Instruct. Она принимает изображение страницы документа и возвращает JSON-массив содержательных блоков: текст с координатами, заголовки, пары «ключ–значение», таблицы в формате GitHub-Flavored Markdown и нетекстовые изображения, например фотографии, диаграммы, штампы и подписи. Модель предназначена для OCR и разбора структуры документов с сохранением расположения элементов. Результат подходит для извлечения текста и областей страницы в последующих системах обработки документов. Для изображений рекомендуется уменьшение до 2 мегапикселей без увеличения, с размерами, кратными 32 пикселям; карточка также рекомендует жадное декодирование и ограничение вывода JSON-схемой. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и поддерживает зрительно-текстовый ввод и текстовый вывод. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. Языковая поддержка и размер контекстного окна в предоставленных данных не указаны.

NuExtract3-GGUF — GGUF-версия мультимодальной модели NuExtract3, разработанной компанией NuMind на базе Qwen3.5-4B. Модель предназначена для понимания документов, структурированного извлечения информации, OCR и подготовки данных для RAG. Она обрабатывает текст, изображения или их сочетание вместе с JSON-шаблоном целевой схемы, поддерживает типизированные поля, естественно-языковые инструкции и примеры в контексте. Также модель может создавать шаблоны извлечения по описанию на обычном языке и преобразовывать документы в структурированный Markdown, включая HTML-таблицы и формулы LaTeX. Модель содержит около 4 миллиардов параметров и поддерживает режимы быстрого инференса без рассуждений и более глубокого reasoning. Она ориентирована на документы разных типов, включая сканы, чеки, формы, счета, договоры и таблицы. В репозитории представлены варианты GGUF-квантизации от BF16 до Q3 и Q5, что позволяет выбирать между качеством и требованиями к памяти; для обработки изображений используется отдельный multimodal projection-файл. Заявлена поддержка запуска через llama.cpp, а исходная модель также может использоваться с vLLM и Transformers. Среди сильных сторон — объединение анализа изображений и текста, структурированный вывод и высокая эффективность на внутреннем бенчмарке NuMind. Ограничения включают зависимость качества от выбранной квантизации и возможные сбои или зацикливание при чрезмерно сложном reasoning, особенно у компактных моделей. Распространяется по лицензии Apache 2.0.

NuExtract3-W4A16 — это квантизированный вариант NuExtract3, разработанный компанией NuMind. Модель представляет собой унифицированную vision-language модель с примерно 4 млрд параметров для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их комбинацию. Для структурированного извлечения используются JSON-шаблон и инструкции, на выходе формируется JSON; также возможна генерация шаблонов по естественно-языковому запросу или содержимому документа. Модель предназначена для обработки счетов, чеков, форм, договоров, таблиц, сканов и других документов, включая сценарии OCR, подготовки данных для RAG и построения extraction-пайплайнов. Поддерживаются многоязычные документы, режимы вывода с рассуждением и без него, а также преобразование документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Сильными сторонами являются сочетание визуального понимания, OCR, рассуждений и структурированного вывода, а также пригодность для документов со сложной компоновкой, множеством изображений и большим объемом извлекаемых данных. В опубликованном внутреннем тесте NuMind модель NuExtract3.4_4B-RL получила средний балл 0,651 и показала более высокие результаты, чем перечисленные в сравнении модели. Ограничения включают возможные ошибки JSON-сериализации, зацикливание рассуждений у небольших моделей и зависимость качества от сложности документа и объема контекста; конкретный максимальный размер контекста для данной версии не указан. Модель распространяется по лицензии Apache-2.0.

NVIDIA Nemotron Parse 2.0 — разработанная NVIDIA мультимодальная модель для преобразования изображений документов в структурированное представление. Это модель типа vision encoder–decoder: визуальный энкодер ViT-H на основе NVIDIA C-RADIO передаёт признаки через адаптер на декодер mBART из 10 блоков. На вход подаются RGB-изображение документа и текстовый запрос; на выходе — текстовая строка с распознанным содержимым, классами элементов, координатами рамок и порядком чтения. Модель предназначена для OCR и анализа сканов или отрисованных PDF, слайдов, форм, отчётов, таблиц и смешанных страниц. Она поддерживает многоязычное распознавание, включая китайские, японские и корейские тексты, а также индийские письменности; улучшена работа с рукописным текстом, таблицами и преобразованием диаграмм в структурированный текст. Результаты можно использовать для поиска по документам, извлечения данных, аналитики, подготовки обучающих данных и проверки человеком. В репозитории доступны варианты постобработки таблиц в LaTeX, HTML, Markdown, JSON и CSV. Модель можно запускать через Transformers или vLLM; она оптимизирована для систем с GPU NVIDIA. Лицензия модели — OpenMDW-1.1; README заявляет возможность коммерческого и некоммерческого использования. Лицензия токенизатора — CC-BY-4.0. В карточке не приведены число параметров и длина контекста, поэтому они здесь не указаны.

NVIDIA Nemotron Parse v1.2 — модель NVIDIA для извлечения текста и структуры документов по изображению. Она предназначена для разбора PDF- и PPT-страниц, включая документы со сложной и изменчивой вёрсткой, и может использоваться в системах поиска и курирования документов, а также для подготовки данных и повышения точности приложений на базе LLM и VLM. Модель построена на архитектуре vision encoder–decoder: визуальный энкодер ViT-H, адаптер на 1D-свёртках и mBart-декодер из 10 блоков. По изображению RGB и текстовой инструкции она формирует текстовую строку со структурированными аннотациями: распознанным текстом, классами элементов и их ограничивающими рамками в естественном порядке чтения. Поддерживаются таблицы с выводом в форматах LaTeX, HTML, Markdown, JSON или CSV, а также настройка извлечения текста, встроенного в изображения. Размер модели — менее 1 млрд параметров; указанный диапазон разрешений входа — от 1024×1280 до 1664×2048 пикселей. Модель выделяет заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения, сохраняя их пространственное положение и порядок чтения. Для остановки повторяющихся фрагментов и структурирования табличного вывода доступны дополнительные обработчики логитов. README заявляет готовность к коммерческому применению; метаданные указывают лицензию other, а токенизатор распространяется по CC-BY-4.0, поэтому условия лицензии весов следует проверять отдельно. Для качества генерации в версии 1.2 требуется промпт с четырьмя категориями токенов; использование старого трёхтокенного промпта заметно ухудшает результат.

olmOCR-2-7B-1025 — мультимодальная модель AllenAI с 7,1 млрд параметров, дообученная на основе Qwen2.5-VL-7B-Instruct на наборе olmOCR-mix-1025. Дополнительное обучение с подкреплением GRPO направлено на повышение качества распознавания математических формул, таблиц и других сложных случаев OCR. Модель предназначена для извлечения текста и структуры из изображений документов. Она принимает изображение страницы документа; для штатного использования рекомендуется подавать изображение, у которого наибольшая сторона составляет 1288 пикселей. Инструментарий olmOCR автоматизирует подготовку страниц PDF, поворот и повторные попытки распознавания, а масштабный инференс поддерживается через vLLM. Архитектура основана на Qwen2.5-VL, контекст — до 128 000 токенов; в этой карточке опубликована версия BF16. Модель подходит для OCR документов, в том числе таблиц и математических выражений. В README рекомендуется версия FP8 для практического применения, кроме дальнейшего дообучения; результаты бенчмарка приведены для работы через olmOCR toolkit. Распространяется по лицензии Apache-2.0.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

Chandra OCR 2 — модель оптического распознавания документов от Datalab на архитектуре Qwen 3.5. Она принимает изображения и PDF и преобразует их в Markdown, HTML или JSON с сохранением структуры и расположения элементов страницы. Модель рассчитана на извлечение текста, в том числе рукописного, разбор таблиц, математических выражений, форм и документов со сложной или многоколоночной вёрсткой; также она извлекает изображения и диаграммы и формирует подписи и структурированные данные. В карточке заявлена поддержка более 90 языков. Среди сильных сторон — распознавание таблиц, мелкого текста, рукописного ввода и сложных макетов; опубликованы результаты собственных оценок на olmOCR Bench и многоязычных тестах. Модель распространяется в формате safetensors для Transformers. Код проекта лицензирован Apache 2.0, но веса — по изменённой лицензии OpenRAIL-M: бесплатное использование ограничено исследовательскими и личными целями, а также стартапами с финансированием или выручкой менее 2 млн долларов; конкурентное использование относительно API запрещено, для более широкого коммерческого применения требуется отдельная лицензия.

Chandra OCR 2 — модель оптического распознавания символов от Datalab, предназначенная для извлечения содержимого изображений и PDF-документов. Она преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. В метаданных указана архитектура Qwen3.5 с плотной моделью типа conditional generation; веса представлены в формате safetensors, для работы используются Transformers и vLLM. Модель рассчитана на распознавание печатного и рукописного текста, таблиц, математических формул, форм и сложной разметки страниц. Она также извлекает изображения и диаграммы, создавая подписи и структурированные данные. Заявлена поддержка более 90 языков; карточка сообщает об улучшениях для многоязычных документов, широких страниц и сложной верстки. В README приведены результаты внутренних тестов, включая 85,9 балла на olmOCR benchmark, а также оценка пропускной способности около двух страниц в секунду в реальном использовании. Эти показатели зависят от документов и оборудования. Код распространяется по Apache 2.0, а веса — по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и применение стартапами ниже установленных финансовых порогов; конкурентное использование с API Datalab запрещено, для более широкого коммерческого использования требуется отдельная лицензия.

Falcon OCR — модель TII для распознавания текста и разбора документов по изображению. Это компактная модель на 270 млн параметров с ранним слиянием визуальных и текстовых токенов: единый Transformer обрабатывает патчи изображения и текст в общем пространстве параметров, используя двунаправленное внимание для изображения и причинное декодирование текста с учётом изображения. Модель извлекает обычный текст, формулы в LaTeX и таблицы в HTML; промпты позволяют выбирать категории элементов страницы. Она рассчитана на сканы, фотографии документов, чеки, рукописные заметки, формы, журналы и другие материалы. Для большинства страниц рекомендуется сквозной OCR; для очень плотных многоколоночных страниц доступен двухэтапный сценарий с детектором макета PP-DocLayoutV3. Версия 1.5 дообучена с GRPO для улучшения работы с реальными документами, сложными таблицами, рукописным текстом и деградированными сканами, а также для снижения галлюцинаций и повторов. Компактный размер помогает снизить задержку и стоимость обслуживания; в описанной авторами конфигурации vLLM пропускная способность может быть в 2–3 раза выше, чем у OCR VLM размером около 0,9 млрд параметров, в зависимости от длины последовательностей и пакетирования. Для запуска требуются PyTorch 2.5 или новее и Transformers. Лицензия — Apache-2.0.

GLiNER-relex-large-v1.0 — модель семейства GLiNER для совместного извлечения именованных сущностей и отношений из текста. Она построена на архитектуре GLiNER с единым энкодером: модель находит фрагменты сущностей, формирует возможные пары сущностей и классифицирует отношения между ними с помощью графовых свёрточных слоёв. Размер модели и языки в предоставленных данных не приведены. Модель рассчитана на zero-shot извлечение: при каждом запросе можно задавать собственные типы сущностей и отношений, в том числе текстовые описания меток, чтобы уточнить их смысл. Она выполняет обе задачи за один проход, поддерживает извлечение сущностей без отношений, пакетную обработку и экспорт в ONNX. Подходит для построения графов знаний, анализа документов, автоматической разметки корпусов и подготовки структурированных данных для систем вопросов и ответов. Для использования требуется библиотека GLiNER. Модель распространяется по лицензии Apache-2.0. README рекомендует настраивать пороги отдельно для сущностей, смежности и отношений; качество зависит от выбранных схем и порогов. Эксплуатационные ограничения и перечень поддерживаемых языков в предоставленных данных не описаны.

GLiNER-relex-multi-v1.0 — модель на архитектуре GLiNER для совместного извлечения именованных сущностей и отношений между ними из текста. Она выполняет обе задачи за один проход и позволяет задавать типы сущностей и отношений при обработке, без дополнительного дообучения. Для меток можно передавать описания на естественном языке; специальная метка «other» помогает находить сущности, участвующие в заданных отношениях, даже если их типы не перечислены явно. Модель использует единый энкодер на базе трансформера, классификацию текстовых фрагментов и графовые свёрточные сети для отбора пар сущностей и классификации отношений. Она рассчитана на извлечение информации из документов, построение графов знаний, обогащение корпусов и подготовку структурированных данных для систем вопросов и ответов. README заявляет поддержку экспорта в ONNX для развёртывания. Модель распространяется по лицензии Apache-2.0.

GLM-OCR — мультимодальная модель распознавания текста и понимания сложных документов, представленная в карточке maskbob/GLM-OCR. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, компактный межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B. Общий размер модели составляет около 0,9 млрд параметров. Для анализа документов применяется двухэтапный конвейер с разбором макета на основе PP-DocLayout-V3 и параллельным распознаванием. Модель предназначена для извлечения текста и структуры из изображений документов, включая таблицы, формулы, документы с кодом и печатями, а также для структурированного извлечения сведений по заданной JSON-схеме. Поддерживаются китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. В README заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного конвейера разбора документов рекомендуется SDK с PP-DocLayoutV3. Весовые файлы доступны в формате safetensors. Лицензия — MIT.

Jina AI разработала jina-ocr-v1 — модель сквозного распознавания и разбора документов по изображениям. Она преобразует страницы документов в структурированный текст, в том числе Markdown, и предназначена для OCR, извлечения содержимого PDF и анализа таблиц и математических выражений. Модель основана на DeepSeek-OCR: использует визуальный энкодер DeepEncoder с глобальным представлением изображения 1024×1024 в 256 визуальных токенах и динамическими локальными фрагментами, а также MoE-декодер с 3 млрд параметров и примерно 570 млн активных параметров на токен. Контекст — 32 768 токенов. Для ускорения генерации в vLLM предусмотрен FastMTP с тремя шагами спекулятивного декодирования; в Transformers эта функция не используется. Карточка сообщает результаты на OmniDocBench v1.6 и olmOCR-Bench и высокую пропускную способность, однако реальные показатели зависят от оборудования и настроек. Модель принимает изображения документов и генерирует текст; в метаданных указана мультиязычная поддержка, но конкретный перечень языков не приведён. Для локальной загрузки требуется Transformers с пользовательским кодом из репозитория и параметром trust_remote_code=True; также описаны запуск через vLLM и размещённые API Jina. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

LFM2-350M-Extract-GGUF — языковая модель компании Liquid AI, основанная на LFM2-350M и распространяемая в формате GGUF. Она предназначена для извлечения важной информации из неструктурированных документов, включая статьи, расшифровки и отчёты, с преобразованием результатов в структурированные форматы JSON, XML или YAML. Модель подходит для извлечения реквизитов счетов из электронных писем, преобразования нормативной отчётности в XML, структурирования обращений в службу поддержки для аналитических конвейеров, а также наполнения графов знаний сущностями и их атрибутами. В названии указано, что это вариант размером 350M параметров. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. К сильным сторонам относятся специализация на извлечении данных и удобный для локального запуска формат GGUF, совместимый с llama.cpp. Ограничения включают отсутствие в предоставленных данных сведений о размере контекста, точной архитектуре, количественных показателях качества и поддерживаемых модальностях помимо текста. Модель распространяется по лицензии lfm1.0; подробные условия следует уточнять в файле LICENSE.

lift — модель Datalab для извлечения структурированных данных из PDF-документов и изображений. Она принимает документ и заданную пользователем JSON-схему, а затем формирует соответствующий ей JSON с помощью декодирования, ограниченного схемой. Модель основана на плотной архитектуре Qwen3.5 и содержит 9 млрд параметров; поддерживает обработку многостраничных документов за один проход. Модель предназначена для извлечения полей из документов, включая значения, распределённые между страницами, и может использоваться локально через Hugging Face Transformers или vLLM. В описанном Datalab тесте на 225 документах точность отдельных полей составила 90,2%; результат и задержка зависят от документа и оборудования. Веса распространяются по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и использование стартапами с финансированием или выручкой менее 5 млн долларов; конкурентное использование API запрещено. Для более широкого коммерческого применения требуется отдельное лицензирование.

Карточка модели ajmcclary/MinerU2.5-Pro-2605-1.2B на Hugging Face совпадает с карточкой opendatalab/MinerU2.5-Pro-2605-1.2B, поэтому описание составлено по ней. MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

Карточка модели zenosai/MonkeyOCRv2-B на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Карточка модели zenosai/MonkeyOCRv2-B-Parsing-DFlash на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Карточка модели zenosai/MonkeyOCRv2-S на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Карточка модели zenosai/MonkeyOCRv2-S-Parsing на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Nanonets-OCR2-3B — мультимодальная модель компании Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct, использует архитектуру Qwen2.5-VL с 3,1 млрд параметров и принимает изображения вместе с текстовыми запросами. Контекст модели — до 128 000 токенов. Модель извлекает текст, таблицы, формулы, водяные знаки и подписи, описывает изображения в документах, распознаёт рукописный текст и преобразует блок-схемы и организационные схемы в код Mermaid. Она также отвечает на вопросы по содержимому документа и поддерживает многоязычные документы, в том числе на русском, английском, китайском, французском, испанском, немецком, японском, корейском и арабском языках. Модель предназначена для подготовки документов к обработке LLM и извлечения из них структурированных данных. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц README рекомендует подбирать параметры генерации и разрешение. Сведения о лицензии в предоставленных данных отсутствуют.

NuExtract 2.0 2B — мультимодальная модель компании NuMind для извлечения структурированных данных. Она дообучена на базе Qwen2-VL-2B-Instruct и принимает текст и изображения. Пользователь задаёт JSON-шаблон с названиями полей и типами значений; модель извлекает данные и возвращает результат в соответствии с заданной схемой. Поддерживаются строки, числа, даты, перечисления и массивы, а при отсутствии подходящих сведений модель может вернуть null или пустой массив. Модель рассчитана на извлечение информации из текстов и изображений, а также на автоматическую генерацию шаблонов из описания на естественном языке или существующей схемы. Она мультиязычная, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Для задач извлечения рекомендуется температура генерации, близкая к нулю; примеры в контексте могут помочь при неоднозначных запросах или специальных требованиях к формату. Лицензия — MIT.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

Карточка модели bibek32/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

Карточка модели Mikasa1123/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

Карточка модели neuralforgequantum/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

NVIDIA Nemotron Parse v1.1 — трансформерная модель vision encoder-decoder от NVIDIA для извлечения текста и понимания структуры документов по изображениям. Она формирует упорядоченные по потоку чтения структурированные аннотации: текст, типы элементов и ограничивающие рамки; распознаёт, в частности, заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения. Модель предназначена для разбора документов PDF и PPT, построения решений для поиска и курирования данных, а также подготовки данных для обучения и повышения точности систем на базе LLM и VLM. Архитектура включает визуальный кодировщик ViT-H, адаптер на одномерных свёртках и нормализациях для сжатия представления, а также декодер mBart из 10 блоков. В README заявлено, что модель готова к коммерческому применению. Лицензия репозитория обозначена как other; условия использования токенизатора регулируются отдельной лицензией CC-BY-4.0. README не приводит число параметров, а само описание архитектуры не уточняет его.