I.3Извлечение и структурирование данных

RashidNLP/NER-Deberta — модель RashidNLP для распознавания именованных сущностей. Она основана на предобученной DeBERTa-v3-base и дообучена на Few-NERD: наборе данных с более чем 180 тысячами примеров и 4,6 миллиона токенов. Модель обрабатывает текст и присваивает метки токенам, выделяя людей, организации, места, здания, события, продукты, искусство и другие сущности. Модель предназначена для извлечения сущностей из англоязычных текстов, например для последующего поиска, индексирования или анализа документов. Размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT. Карточка не приводит оценок качества или дополнительных ограничений.

Это крупная модель распознавания именованных сущностей для английского языка, поставляемая вместе с библиотекой Flair. Она присваивает токенам 18 типов сущностей, включая даты, числовые значения и названия событий, и предназначена для разметки сущностей в англоязычных текстах. Модель использует документные эмбеддинги XLM-R и архитектуру FLERT; для OntoNotes в карточке указан F1-score 90,93. Репозиторий содержит веса PyTorch, а для применения требуется библиотека Flair. Сведения о лицензии в предоставленных данных отсутствуют.

Minibase-NER-Standard — компактная языковая модель Minibase для распознавания и классификации именованных сущностей в тексте. Она выделяет людей, организации, места и прочие сущности и возвращает результат в структурированном JSON, что подходит для последующего автоматического разбора. Модель построена на архитектуре LlamaForCausalLM. В метаданных указано 147,8 млн параметров; README приводит контекст 2 048 токенов. Репозиторий содержит GGUF-квантизацию Q8_0, предназначенную для локального инференса, в том числе на CPU. В карточке заявлены оценка F1 95,1%, точность 91,5% и полнота 100% на тесте из 100 примеров; эти результаты относятся к описанной в README оценке и не гарантируют аналогичного качества на других данных. Указан английский язык. Лицензия — Apache-2.0.

NeuroBERT-NER — англоязычная модель для распознавания именованных сущностей, разработанная Boltuix на базе boltuix/NeuroBERT-Mini и дообученная для классификации токенов. Модель на архитектуре BERT содержит 9,9 млн параметров, принимает текст с контекстом до 512 токенов и присваивает токенам метки BIO для 18 категорий сущностей, включая людей, организации, места, даты и денежные суммы. Модель предназначена для извлечения сущностей из новостей, пользовательских текстов и исследовательских корпусов, а также для индексации поиска и построения графов знаний. В README приведены результаты на тестовой выборке указанного датасета: precision 0,85, recall 0,87 и F1 0,86; фактическое качество может отличаться на других типах текста и в специализированных областях. Поддерживается английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка отмечает, что датасетная ссылка является заглушкой; заявленные размеры выборок приведены приблизительно.

NewsXLM — многоязычная модель ISPRAS для классификации HTML-узлов новостных страниц. Модель построена на архитектуре DOM-LM и дообучена на наборе данных NewsXLM на основе ispras-crawlers/newsxlm-domlm-pretrained. В репозитории указано 305,2 млн параметров и контекст длиной 514 токенов. Модель присваивает HTML-узлам метки title, publication_date, text, author, tag или none. Её можно использовать для извлечения заголовка, даты публикации, текста статьи, автора и тегов из HTML новостных страниц, а также для классификации каждого узла. Поддерживаются английский, испанский, русский, арабский, французский, португальский, хорватский, китайский, немецкий и корейский языки. Модель принимает структурированный HTML и выдаёт метки для его узлов; README описывает отдельный конвейер извлечения атрибутов, группирующий результаты по типу. Репозиторий распространяется под лицензией MIT.

NuExtract-2-2B-experimental — экспериментальная мультимодальная модель NuMind для извлечения структурированных данных. Она дообучена на базе OpenGVLab/InternVL2_5-2B и принимает текст или изображения вместе с JSON-шаблоном, который задаёт нужные поля и типы значений. Модель извлекает дословные и обобщённые строки, числа, даты, значения из заданных списков, а также массивы этих типов. Если нужных сведений нет, она может вернуть null или пустой массив. Модель многоязычная; для извлечения рекомендуется температура около нуля. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

NuExtract-2-8B-experimental — экспериментальная мультимодальная модель NuMind для извлечения структурированных данных. Она дообучена на InternVL2_5-8B и предназначена для извлечения сведений из текста и изображений по JSON-шаблону с заданными полями и типами значений. Шаблон может запрашивать дословные или обобщённые строки, числа, даты, варианты из списка и массивы; если подходящей информации нет, модель возвращает null или пустой массив. Модель поддерживает несколько языков и принимает текстовые и графические входные данные. Для извлечения рекомендуется использовать температуру, близкую к нулю. Версия обозначена авторами как экспериментальная и должна быть заменена NuExtract 2.0. Распространяется по лицензии MIT.

NuExtract-tiny — компактная языковая модель NuMind для извлечения структурированной информации из текста. Она основана на Qwen1.5-0.5B и дообучена на частном высококачественном синтетическом наборе данных. Модель принимает текст и JSON-шаблон с полями, которые нужно извлечь, и генерирует результат в заданной структуре. Архитектура — плотная Qwen2ForCausalLM; модель содержит 463,9 млн параметров, использует формат safetensors и имеет контекстное окно 32 768 токенов по метаданным. В README для извлечения рекомендуется передавать текст длиной менее 2 000 токенов. Модель рассчитана на извлечение фактов, сущностей и других заданных полей без перефразирования: согласно карточке, весь её текстовый вывод должен присутствовать в исходном тексте. Она показывает хорошие результаты без примеров, однако разработчик рекомендует дообучать её под конкретную задачу как минимум на 30 примерах. Карточка отмечает, что версия устарела. Лицензия — MIT.

NuNerZero ONNX — конвертированная в ONNX версия модели NuNER_Zero, размещённая пользователем deepanwa. Это модель распознавания именованных сущностей с нулевым обучением на архитектуре GLiNER: она находит в тексте сущности заданных пользователем типов. Репозиторий предоставляет веса ONNX и файлы токенизатора; запуск предусмотрен через GLiNER и ONNX Runtime. Модель подходит для извлечения заданных типов сущностей и обезличивания текста, в том числе в составе проекта Zink. ONNX-формат рассчитан на эффективный инференс; исходная карточка указывает размер файла модели около 1,85 ГБ. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые языки и длину контекста.

Abiray/OvisOCR2-GGUF — набор GGUF-квантизованных версий мультимодальной модели OvisOCR2, разработанной ATH-MaaS. Модель создана на основе Qwen3.5-0.8B с последующим обучением для сквозного разбора страниц документов и преобразования их содержимого в структурированный Markdown. Модель предназначена для OCR и анализа документов: извлечения текста в естественном порядке чтения, распознавания LaTeX-формул, представления таблиц в HTML и сохранения компонентов макета. Это компактная vision-language модель с размером около 0,8 млрд параметров; поддерживаемые языки и максимальный размер контекста в README не указаны. Для работы с изображениями требуется отдельный мультимодальный проектор mmproj в формате GGUF. Доступны варианты от F16 и BF16 до 3-, 4-, 5-, 6- и 8-битных квантований, что позволяет выбирать между точностью, размером файлов и требованиями к ресурсам. Заявлен результат 96,58 на OmniDocBench v1.6 и превосходство над традиционными многоэтапными конвейерами анализа макета, однако практическое качество может зависеть от выбранного уровня квантования и входных документов. Для запуска рекомендуются инструменты llama.cpp, включая llama-minicpmv-cli или llama-llava-cli. Модель распространяется по лицензии Apache-2.0.

breezedeus/pix2text-table-rec — модель распознавания структуры таблиц для Pix2Text, основанная на Table Transformer и дообученная на наборах PubTables1M и FinTabNet.c. Это компактная модель на архитектуре DETR с Transformer-детектором объектов; в репозитории указано 6,3 млн параметров. Она предназначена для обнаружения таблиц и их элементов на изображениях документов, чтобы использовать результаты в конвейерах извлечения и распознавания табличной структуры. Модель принимает изображения документов и выдаёт обнаруженные объекты, в том числе области таблиц. Она описана как форк исходной модели Table Transformer с возможностью дальнейшего развития. Репозиторий распространяется по лицензии MIT. Карточка не приводит сведений о поддерживаемых языках или численном размере контекста; применимость зависит от качества изображения и соответствия документа типам таблиц, представленным в обучающих данных.

PP-DocLayout_plus-L — модель обнаружения и локализации областей макета документов, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для анализа изображений китайских и англоязычных документов, включая научные статьи, презентации, журналы, газеты, договоры, книги, экзаменационные материалы, учебники и исследовательские отчёты. Модель выделяет 20 типов элементов: заголовки документов и разделов, текст, номера страниц, аннотации, таблицы, ссылки, сноски, колонтитулы, алгоритмы, формулы и их номера, изображения, печати, подписи к таблицам и рисункам, диаграммы, боковой текст и списки литературы. В основе используется архитектура RT-DETR-L. Модель работает с изображениями и применяется как компонент конвейера layout detection, например для последующего OCR и структурированного извлечения содержимого. На внутреннем наборе данных PaddlePaddle, содержащем около 1000 типов документов, заявлено значение mAP@0.5 83,2%; этот показатель характеризует точность обнаружения областей на указанном наборе и может не отражать результаты на других данных. README не указывает размер модели, максимальный контекст или дополнительные модальности. Для запуска предусмотрены PaddleOCR и ONNX Runtime, включая GPU-вариант. Модель распространяется по лицензии Apache 2.0.

PP-DocLayout_plus-L — модель локализации областей и элементов в документах, разработанная PaddlePaddle. Она предназначена для обнаружения структуры на страницах статей, презентаций, журналов, договоров, книг, экзаменационных материалов и исследовательских отчетов. Модель построена на архитектуре RT-DETR-L и распознаёт 20 категорий, включая заголовки, основной текст, номера страниц, аннотации, таблицы, ссылки, колонтитулы, формулы, изображения, диаграммы и списки. Модель обучена на собственном наборе документов на китайском и английском языках. В карточке приведена оценка mAP@0.5 83,2% на внутреннем наборе данных для обнаружения областей документов. Репозиторий содержит веса safetensors, библиотека — PaddleOCR. Лицензия Apache-2.0. Оценка относится к указанному внутреннему набору и не гарантирует такую же точность на других типах документов.

PP-DocLayout-S — компактная модель PaddlePaddle для локализации областей и определения структуры на изображениях документов. Она построена на архитектуре PicoDet-S и обучена на собственном наборе китайских и английских научных статей, журналов, контрактов, книг, экзаменационных материалов и исследовательских отчётов. Модель распознаёт 23 категории элементов, включая заголовки, абзацы, основной текст, номера страниц, аннотации, содержание, ссылки, сноски, колонтитулы, формулы, таблицы, изображения, подписи и печати. Модель предназначена для обнаружения областей документа как компонента систем OCR и анализа структуры документов, в том числе конвейера PP-StructureV3. На собственном тестовом наборе из 500 изображений документов указано значение mAP@0.5 70,9%. Это показатель локализации элементов, а не готовое распознавание текста; для извлечения содержимого может потребоваться сочетание с OCR и другими модулями. Модель принимает изображения и выдаёт текстовые метки категорий и координаты областей. Лицензия — Apache-2.0.

PP-DocLayoutV2 — лёгкая модель PaddlePaddle для анализа структуры документов. Она обнаруживает и классифицирует элементы макета, а затем определяет порядок их чтения. Архитектура состоит из детектора на основе RT-DETR и следующей за ним pointer network, которая упорядочивает найденные рамки и метки классов. Модель предназначена для обработки страниц документов: выявления структурных элементов и восстановления последовательности чтения. В метаданных указаны английский и китайский языки, библиотека PaddleOCR и формат весов safetensors. Лицензия — Apache-2.0.

Qwen2.5-VL-32B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; репозиторий подготовлен Unsloth. Модель предназначена для задач, где требуется совместно обрабатывать текст и изображения, включая визуальные вопросы и ответы, распознавание текста, анализ документов, графиков, таблиц и макетов, математическое и логическое рассуждение, а также структурированное извлечение данных из счетов и форм. Она также поддерживает анализ видео длительностью более часа, поиск релевантных временных фрагментов, визуальную локализацию объектов и сценарии взаимодействия с компьютером или телефоном. Модель содержит 32 млрд параметров и использует архитектуру Qwen2.5-VL с визуальным энкодером ViT, динамическим разрешением изображений и динамической частотой выборки кадров видео. В архитектуре заявлены оконное внимание, SwiGLU и RMSNorm; для временного измерения применяется mRoPE с учетом идентификаторов и абсолютного времени. Основные модальности — текст, изображения и видео. В README указан английский язык, однако полный перечень поддерживаемых языков и размер контекстного окна не приведены. Сильные стороны модели — развитое понимание визуального содержимого, документов и видео, генерация структурированных JSON-ответов, визуальная локализация, а также улучшенные математические и общие рассуждательные способности. Ограничения включают большой размер, высокие требования к вычислительным ресурсам и отсутствие в представленном README подробностей о характеристиках именно GGUF-квантизации, поддерживаемых вариантах квантования и рекомендуемых ресурсах. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; в карточке она указана как производная от Qwen/Qwen2.5-VL-7B-Instruct и распространяется в формате GGUF. Модель предназначена для задач «изображение-текст»: анализа изображений, документов, графиков, таблиц, схем и интерфейсов, а также понимания видео. Она может распознавать и извлекать текст, локализовать объекты с помощью координатных рамок или точек, формировать структурированные ответы и поддерживать сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Модель содержит 7 миллиардов параметров и объединяет языковую часть с vision encoder. В архитектуре заявлены динамическое разрешение изображений, динамическая частота кадров для видео, временное выравнивание в mRoPE, оконное внимание в ViT, а также SwiGLU и RMSNorm. Заявлена способность обрабатывать видео длительностью более часа и находить релевантные моменты. В метаданных указан английский язык; другие языки и точный размер контекстного окна не указаны. Сильные стороны модели — работа с OCR, документами, диаграммами, визуальными вопросами, длинными видео и структурированным извлечением данных. Ограничения включают зависимость качества от визуального входа и вычислительных ресурсов, а также неуказанные в карточке языковой охват, контекст и практические требования к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Babelscape/rebel-large — модель извлечения отношений, разработанная Pere-Lluís Huguet Cabot и Roberto Navigli и представленная в работе Findings of EMNLP 2021. Она преобразует задачу извлечения отношений в генерацию последовательности: по входному тексту модель выделяет триплеты «субъект — отношение — объект». Модель основана на BART, содержит 252,8 млн параметров и принимает контекст длиной до 1024 токенов. REBEL рассчитана на извлечение отношений более чем 200 типов и может применяться для пополнения или проверки баз знаний, фактчекинга и других задач информационного извлечения. Карточка связывает модель с датасетом Babelscape/rebel-dataset; язык модели — английский. Для интерпретации результата нужны специальные токены, разделяющие субъект, объект и тип отношения; виджет Hugging Face их не показывает. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует распространять адаптации на совместимых условиях.

Это модель reader из семейства ReLiK, опубликованная организацией relik-ie и основанная на DeBERTa-v3-large. Она предназначена для извлечения отношений между сущностями в тексте с использованием кандидатов, подготовленных отдельным этапом поиска; модель анализирует текст и кандидаты и помогает формировать пары сущностей и типы отношений. В карточке Hugging Face указано около 0,4 млрд параметров, архитектура RelikReaderREModel и формат Safetensors. Репозиторий разработчиков описывает ReLiK как систему извлечения информации для связывания сущностей и извлечения отношений, где reader извлекает сущности и отношения из найденных материалов. Для запуска указаны Transformers и пользовательский код модели. Карточка не сообщает языки обучения и длину контекста; суффикс wikipedia указывает на вариант, связанный с Wikipedia, но сам по себе не устанавливает языковой охват. ПО и данные проекта ReLiK распространяются по лицензии CC BY-NC-SA 4.0, поэтому для коммерческого использования следует учитывать её условия.

Модель tner/roberta-large-ontonotes5 — дообученная версия RoBERTa Large, созданная с помощью T-NER и обученная на наборе данных OntoNotes 5. Она выполняет распознавание именованных сущностей: находит в тексте людей, организации, географические названия, даты, денежные суммы, события и другие типы сущностей, присваивая метки отдельным токенам. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и принимает контекст длиной до 514 токенов. На тестовой выборке OntoNotes 5 указаны micro F1 0,909 и macro F1 0,827; качество зависит от типа сущности, особенно ниже результаты для времени, законов и произведений искусства. Для использования автор рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. В карточке указана лицензия Apache 2.0.

Карточка модели arjhinety/schemaforge-v2-distilled-minicpm5-1b на Hugging Face совпадает с карточкой arrochi112/schemaforge-v2-distilled-minicpm5-1b, поэтому описание составлено по ней. SchemaForge V2 — Distilled MiniCPM5-1B — это дообученная методом последовательной дистилляции компактная языковая модель проекта SchemaForge. Указанная в README базовая модель — openbmb/MiniCPM5-1B; метаданные описывают архитектуру как плотную LlamaForCausalLM с 837,6 млн параметров и контекстом до 131 072 токенов. Модель предназначена для извлечения полей из документов в JSON по 12 схемам: счетам, чекам, резюме, договорам, обращениям в поддержку, медицинским записям, страховым случаям, CRM-записям, письмам, диалогам, формам и триплетам графа знаний. Обучение проводилось на примерах, размеченных учителем google/gemma-4-31B. Лучший результат авторы получают при совместной работе модели с детерминированным предварительным извлечением: гибридная система показала F1 по полям 0,6827, частоту галлюцинаций 0,0092 и валидность схемы 0,8333 на тестовом наборе из 72 записей. Самостоятельный результат модели заметно слабее: F1 0,4841 и валидность схемы 0,8194; авторы рекомендуют запускать её в гибридном конвейере с соответствующим форматом запроса и списком неразобранных полей. Выявленная основная ошибка — пропуск полей; оценка уверенности без дополнительной калибровки ненадёжна. Модель выпущена под лицензией Apache-2.0.

Segmentext — специализированная модель PleIAs для сегментации неструктурированного текста. Она использует архитектуру DeBERTa-v2 с классификацией токенов и содержит 306 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и размечает их структурные части. Модель рассчитана на восстановление редакционной структуры по самому тексту, без обращения к исходному макету документа. Она обучалась на 3 500 вручную размеченных примерах из финансовых документов, текстов культурного наследия и научных публикаций. Segmentext распознаёт основной текст, разделители, заголовки, таблицы, реплики диалога, библиографические ссылки, контактные данные, паратекст, авторов, даты и ключевые слова. По описанию разработчика, она должна работать с разными форматами документов на основных европейских языках, включая повреждённый текст и ошибки распознавания макета. Модель может использоваться для структурирования текстов после оцифровки, подготовки документов к дальнейшему анализу и выделения контактных данных. Обучающие данные охватывают ограниченное число вручную размеченных примеров, поэтому качество на иных языках и типах документов может различаться. Распространяется по лицензии Apache-2.0.

Shrew — набор LoRA-адаптеров для Qwen/Qwen3.5-2B от автора репозитория btbtyler09, созданный для извлечения структурированных данных в производственном RAG-приложении. Рекомендуемый объединённый адаптер doc_processing выполняет три задачи по имени задачи в системном промпте: извлекает метаданные документа, делит текст на семантические фрагменты и составляет краткое содержание. В репозитории также представлены отдельные адаптеры для извлечения метаданных и суммаризации, обозначенные как устаревшие относительно объединённого. Адаптер имеет ранг LoRA 128 и alpha 256, его размер составляет около 256 МБ в f16. Доступны файлы в форматах safetensors и GGUF; для применения требуется базовая модель Qwen/Qwen3.5-2B. Лицензия — Apache-2.0. README описывает маршрутизацию по системному промпту и предупреждает, что для загрузки адаптера в vLLM нужно переименовать ключи весов; также требуется max-lora-rank не ниже 128. Модель ориентирована на обработку документов и не является самостоятельной базовой моделью.

Snerta-12l Base — многоязычная модель распознавания именованных сущностей, разработанная авторами исследования «When Is Multilingual Transfer Beneficial for Slavic Named Entity Recognition?». Это дообученная на microsoft/mdeberta-v3-base модель DeBERTa V3 для token classification: она выделяет в тексте людей (PER), места (LOC), организации (ORG) и прочие сущности (MISC), возвращая метки в формате IOB2. В метаданных указаны 306 млн параметров и контекст 512 токенов; README описывает обучение на дедуплицированном пуле из 12 языков и усечение последовательностей до 256 токенов в стандартном сценарии использования. Модель предназначена для извлечения сущностей на болгарском, боснийском, чешском, хорватском, македонском, польском, русском, словацком, словенском, албанском, сербском и украинском языках. Её можно использовать для обогащения документов, поиска, мониторинга СМИ, анализа корпусов и аналитики по сущностям, особенно когда удобнее применять одну общую модель для нескольких языков. Репозиторий модели распространяется по лицензии Apache-2.0; лицензии исходных корпусов различаются, и для некоторых из них действуют условия CC BY-NC-SA 4.0 или CC BY-SA 4.0. Результаты могут заметно различаться по языкам и предметным областям: обучающий пул несбалансирован, а часть разметки для отдельных языков автоматически построена и имеет более низкую надёжность. Оценка на случайном разбиении предложений не устанавливает качество переноса между документами, временем, темами или доменами. Модель не следует использовать как единственное средство анонимизации, контроля доступа или принятия юридически значимых решений; перед внедрением её нужно проверить на целевых данных.

Карточка модели gradients-io-tournaments/tournament-tourn_c8068e356b7c22c8_20260928-880b38e9-b34b-46c3-b3c5-7cc5b08c18b9-5E6p1x3e на Hugging Face совпадает с карточкой numind/NuExtract-1.5, поэтому описание составлено по ней. NuExtract-1.5 — модель NuMind для извлечения структурированной информации из текста. Это дообученная версия Phi-3.5-mini-instruct с 3,7 млрд параметров, созданная на частном высококачественном наборе данных. Для запроса модели передают текст и JSON-шаблон с нужными полями; она старается извлекать сведения дословно, сохраняя формулировки исходного текста. Модель предназначена для структурирования содержимого документов и длинных текстов на английском, французском, испанском, немецком, португальском и итальянском языках. В README заявлена поддержка длинных документов, включая примеры длиной 8–20 тысяч токенов, хотя нативный размер контекста в метаданных составляет 4096 токенов. Для чистого извлечения рекомендуется температура 0 или близкая к нулю. Модель работает с текстом и выдаёт текст в формате, заданном JSON-шаблоном. Лицензия — MIT. Результаты могут зависеть от формулировки шаблона и настроек генерации; заявленная работа с длинными документами выходит за пределы контекста, указанного в метаданных.

UTC-DeBERTa-large — универсальный классификатор токенов от Knowledgator, основанный на DeBERTaV3-large и дообученный на нескольких задачах разметки последовательностей с prompt tuning. Модель предназначена для извлечения информации из текста: распознавания именованных сущностей, ответов на вопросы, извлечения отношений и разрешения кореференции; README также указывает очистку и суммаризацию текста как возможные сценарии. Метаданные относят модель к DeBERTa-v2 и задаче token classification, указывают 533,8 млн параметров и контекст до 512 токенов. Многозадачное обучение нацелено на обобщение и zero-shot распознавание сущностей; в README приведены результаты на CrossNER для областей ИИ, литературы, музыки, политики и науки. Модель принимает текст и выдаёт токенную разметку. Карточка указывает английский язык и лицензию Apache-2.0. Результаты и обобщение могут зависеть от формулировки запроса и типа текста; контекст ограничен 512 токенами.

WiNGPT-DocLoom — мультимодальная модель компании WiNGPT для извлечения структурированного текста из сложных PDF-документов. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-VL-4B-Instruct и принимает изображения страниц документа, чтобы выдавать текст в естественном порядке чтения с сохранением структуры: заголовков, таблиц, списков и формул. Модель предназначена для OCR и последующего разбора документов, поиска информации и извлечения данных. В обучении использовались реальные и синтетические данные; отдельно заявлен акцент на обработке медицинских PDF. Для инференса авторы рекомендуют Transformers или vLLM, включая обработку многостраничных документов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

XCurOS-OCR-GGUF — версия в формате GGUF модели XCurOS-OCR, разработанной XCurOS. Это компактная vision-language-модель на 0,9 млрд параметров для распознавания текста и анализа документов по изображениям. Репозиторий содержит веса декодера и отдельный vision projector, необходимый для обработки изображений; модель запускается локально через llama.cpp на CPU или GPU. Модель предназначена для OCR документов, распознавания формул, таблиц, рукописного текста и кода, а также разбора структуры страниц. README приводит результаты на нескольких бенчмарках и характеризует качество как близкое к более крупным OCR-системам при работе на обычном CPU. Указана поддержка английского, китайского и других языков; конкретная длина контекста не приводится. Веса опубликованы в формате GGUF F16 без квантизации. Для использования требуется совместимая сборка llama.cpp и vision projector. Лицензия — MIT.

tjruesch/xlm-roberta-base-ner-hrl-onnx — ONNX-версия модели Davlan/xlm-roberta-base-ner-hrl, экспортированная ELAN Languages. Модель предназначена для извлечения именованных сущностей из текста и может использоваться через ONNX Runtime, Transformers.js и в сценариях обезличивания данных, включая bridge-anonymization. В основе лежит XLM-RoBERTa base для многоязычной token classification. Модель поддерживает английский, немецкий, испанский, французский, итальянский, португальский, нидерландский и другие языки. Заявлены сущности PER для имён людей, ORG для организаций, LOC для местоположений и DATE для дат, если они поддерживаются базовой моделью. Доступны полноточная версия FP32 размером около 1059 МБ и квантизованная версия INT8 размером около 265 МБ. Сильные стороны модели — многоязычность, совместимость с ONNX Runtime и уменьшенный размер INT8-варианта, что может быть удобно для локального или браузерного развёртывания. Ограничения включают зависимость набора распознаваемых сущностей от базовой модели и отсутствие в README сведений о точности, максимальной длине контекста и производительности. Модель распространяется по лицензии MIT.

Oblix/yolov10m-doclaynet_ONNX_document-layout-analysis — модель обнаружения объектов на базе YOLOv10m, предоставленная в формате ONNX для использования через Transformers.js. Она предназначена для анализа макета документа: находит и размечает текстовые блоки, заголовки, списки, таблицы, изображения, формулы, подписи, сноски и элементы колонтитулов. Модель принимает изображение страницы и выдаёт рамки обнаруженных областей с классами из набора DocLayNet. Карточка не сообщает размер модели или поддерживаемые языки. Репозиторий содержит ONNX-веса; сведения о лицензии в доступных данных отсутствуют.