I.3Извлечение и структурирование данных

Qwen3-VL-8B-Instruct-GGUF — мультимодальная vision-language модель серии Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-8B-Instruct в формате GGUF, разделённые на языковую модель и vision encoder. Модель предназначена для понимания и генерации текста по текстовым и визуальным данным, включая изображения и видео, а также для визуального анализа, OCR, пространственного рассуждения, STEM-задач и взаимодействия с графическими интерфейсами. Доступны варианты языковой части FP16, Q8_0 и Q4_K_M, а vision encoder — FP16 и Q8_0, что позволяет выбирать баланс качества, скорости и требований к памяти. Формат совместим с llama.cpp, Ollama и другими GGUF-инструментами, поддерживает CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Для семейства Qwen3-VL заявлены контекст до 256K токенов с возможностью расширения до 1M, улучшенное понимание длительных видео, OCR на 32 языках, распознавание объектов и документов, визуальное кодирование, 2D- и 3D-заземление, а также механизмы Interleaved-MRoPE, DeepStack и временного выравнивания текста с событиями видео. Сильными сторонами являются сочетание текстовых и визуальных возможностей, поддержка видео, расширенный контекст, работа с документами и возможность локального запуска на разнообразном оборудовании. Ограничения включают зависимость требований к ресурсам и качества от выбранной точности квантования, необходимости использовать актуальную версию совместимого ПО и наличия подходящего оборудования; конкретные языки, точные результаты бенчмарков и детальные ограничения именно версии 8B в README не указаны. Лицензия — Apache-2.0.

cyankiwi/Qwen3-VL-8B-Thinking-AWQ-4bit — это 4-битно-квантизированная версия vision-language модели Qwen3-VL-8B-Thinking, разработанной командой Qwen. Модель предназначена для совместной работы с текстом и изображениями, а также для понимания видео, визуального рассуждения и генерации ответов на естественном языке. Она подходит для анализа изображений и документов, OCR, STEM- и математического рассуждения, визуального программирования, пространственного анализа и сценариев визуального агента, включая взаимодействие с графическими интерфейсами и инструментами. Модель использует плотную архитектуру размером 8B параметров и поддерживает мультимодальный ввод. Заявлен контекст до 256K токенов с возможностью расширения до 1M, а видео может анализироваться с учетом временной структуры и привязки событий к временным меткам. Среди архитектурных особенностей указаны Interleaved-MRoPE для позиционного кодирования во времени, ширине и высоте, DeepStack для объединения многоуровневых визуальных признаков и улучшенное выравнивание текста с временными метками. OCR заявлен для 32 языков, однако полный перечень языков в README не приведен. Сильными сторонами являются визуальное и пространственное восприятие, понимание длинного контекста и видео, мультимодальное рассуждение, распознавание объектов и документов, а также поддержка агентских и визуально-кодировочных задач. Ограничения, включая возможные ошибки распознавания, рассуждения и требования к вычислительным ресурсам, в README не описаны; 4-битная AWQ-квантизация призвана снизить требования к памяти по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0.

Hnabil разработал модель на архитектуре T5-base и дообучил её для преобразования ошибочных и нестандартно записанных адресов в стандартизованный вид. Она предназначена прежде всего для нормализации адресов в США и может применяться при очистке адресных данных в наборах данных и прикладных системах. Обучение проводилось на данных OpenAddresses.io. Модель содержит 123,8 млн параметров, принимает и генерирует текст; длина контекста составляет 512 токенов. В репозитории доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder, созданных адаптацией предварительно обученных моделей Gemma 3. Этот репозиторий содержит предварительно обученную модель с энкодером и декодером по 4 млрд параметров; адаптация выполнена с использованием UL2. Модель принимает текст и изображения и генерирует текст, поддерживает более 140 языков и контекст до 128 тыс. токенов. Модель предназначена для генерации текста и понимания изображений, включая ответы на вопросы, суммаризацию, рассуждения и задачи по визуальным документам. В карточке приведены результаты оценки на наборах COCOcap, DocVQA и InfoVQA, а также тестах длинного контекста. Google описывает семейство как исследовательское; веса доступны для использования по лицензии Gemma. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Разработчикам следует самостоятельно оценивать безопасность и качество результатов.

Typhoon-OCR-3B — модель для разбора документов на тайском и английском языках, разработанная OpenTyphoon на основе Qwen2.5-VL-3B-Instruct. Она использует архитектуру Qwen2.5-VL с 3,1 млрд параметров, принимает изображения и текстовые инструкции и формирует текстовый результат. Контекст модели составляет 128 000 токенов. Модель предназначена для OCR и структурированного извлечения содержимого из финансовых отчётов, научных статей, книг, государственных форм, чеков, меню, билетов и инфографики. Обычный текст она выдаёт в Markdown, таблицы — в HTML, а изображения, диаграммы и подписи описывает структурированно. Основной фокус — распознавание тайского и английского текста и документов со сложной вёрсткой. Модель требует специальных промптов из карточки и не предназначена для обычного VQA или универсального диалога. Авторы отмечают риск галлюцинаций и снижение качества на книгах с разнообразными встроенными изображениями; для локального запуска предупреждают о возможном ухудшении точности некоторых сборок GGUF. Лицензия в метаданных указана как Apache-2.0, а README также требует соблюдения условий OpenTyphoon.

Vintern-1B-v3.5 — мультимодальная модель с визуально-языковой архитектурой InternVLChat, разработанная 5CD-AI и дообученная на базе OpenGVLab/InternVL2_5-1B. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена прежде всего для распознавания текста и понимания документов на вьетнамском языке, сохраняя возможности работы с англоязычными данными. Модель рассчитана на OCR и извлечение сведений из счетов, юридических документов, рукописей и таблиц, а также на ответы на вопросы по изображениям документов. В README указаны 1 млрд параметров и возможность запуска на GPU T4; сравнительные результаты приведены для vi-MTVQA, DocVQAtest и InfoVQAtest. Метаданные указывают поддержку вьетнамского, английского и китайского языков, формат весов safetensors и библиотеку Transformers. Модель распространяется по лицензии MIT. README не приводит длину контекста и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность на новых документах и сценариях.

SIRIS-Lab/affilgood-dense-retriever — модель Sentence Transformer, разработанная SIRIS-Lab для получения плотных векторных представлений предложений и абзацев. Она основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией выходного вектора; размерность эмбеддингов — 1024. Обучение проводилось с MultipleNegativesRankingLoss на 47 610 примерах, а близость текстов оценивается косинусным сходством. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. В примерах обучения встречаются названия организаций и сущностей с контекстом вроде местоположения и родительской организации; на наборе entity_linking_eval указана корреляция Спирмена 0,6826 для косинусного сходства. Метаданные указывают на контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов для описанной конфигурации Sentence Transformers. Модель принимает текст и возвращает векторы признаков. Карточка не сообщает поддерживаемые языки, лицензию или известные ограничения качества за пределами приведённой оценки; проверьте лицензию и пригодность для конкретных данных перед использованием.

answer-finder-v1-L-multilingual — модель для извлечения ответов из предоставленного текста, разработанная Sinequa. Она оценивает позиции начала и конца ответа в тексте; архитектура — BERT для вопросно-ответных задач, размер по метаданным — 151,7 млн параметров, максимальный контекст — 512 токенов. README указывает базовую модель bert-base-multilingual-cased, дополнительно предварительно обученную Sinequa для английского, французского, немецкого и испанского языков, и сообщает, что модель нечувствительна к регистру и акцентам. Модель предназначена для поиска ответов на вопросы по документам или фрагментам текста. В карточке приведены результаты F1 75 на SQuAD v2 для английского и 73,4 для французского, а также замеры скорости и памяти на GPU. Модель распространяется в формате PyTorch; README указывает минимальную версию Sinequa 11.10.0 и требования к CUDA. Лицензия в предоставленных данных не указана.

ArmorOCR-GGUF — GGUF-версия мультимодальной модели ArmorOCR, разработанной командой inclusionAI (Ant Group) на базе Qwen3-VL-8B-Instruct. Модель предназначена для распознавания текста на изображениях, включая adversarial OCR и degraded visual conditions, когда изображение содержит искажения или подвергается атакам. Она поддерживает grounded OCR и vision-language сценарии, выполняя инференс непосредственно по исходному изображению без обязательного кадрирования, увеличения, шумоподавления или внешних инструментов. Заявленный язык — английский. ArmorOCR использует двухэтапный подход с observation-transferred self-distillation и формирует структурированный ответ: рассуждение помещается в теги <analyze></analyze>, а распознанный текст — в <answer></answer>. Публикация содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размеры основных файлов составляют примерно от 3,28 до 16,4 ГБ. Для обработки изображений предусмотрены отдельные multimodal-проекции mmproj в форматах BF16, F16 и Q8_0, что позволяет использовать модель через llama.cpp. Сильной стороной модели является устойчивость к неблагоприятным визуальным условиям и возможность однопроходного распознавания исходного изображения. Ограничения включают ориентацию заявленного языка на английский, значительные требования к дисковому пространству и памяти для высокоточных вариантов, а также зависимость качества от выбранного уровня квантования и совместимости используемого inference-стека. Модель распространяется по лицензии Apache 2.0; использование также регулируется лицензией и политикой допустимого использования базовой Qwen3-VL-8B-Instruct.

pinialt/bert-tiny-pii-router — компактная модель классификации текста от pinialt, предназначенная для маршрутизации запросов в конвейерах обнаружения персональных данных. Она оценивает, какие специализированные обработчики следует запускать для текста: извлечение именованных сущностей, геокодирование адресов, разбор дат и времени или поиск шаблонных идентификаторов регулярными выражениями. Результат — вероятности для четырёх категорий маршрутизации; автор рекомендует порог 0,5. Модель основана на компактном BERT-энкодере google/bert_uncased_L-4-H-256-A-4 и обучена с дистилляцией знаний от XLM-RoBERTa. В карточке указаны 12 млн параметров, контекст до 512 токенов и поддержка английского языка. README сообщает о приросте скорости в 9,1 раза и сохранении 96% точности учителя, но не приводит подробностей методики оценки. Модель принимает текст и выдаёт метки с вероятностями. Лицензия — Apache-2.0.

bling-phi-3 — языковая модель серии BLING от llmware, дообученная для инструктивных задач RAG на базе Microsoft Phi-3. Это плотная авторегрессионная архитектура Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; модель распространяется в формате PyTorch и подходит для диалогового использования. Она предназначена для ответов на вопросы по переданному контексту, извлечения пар «ключ—значение» и краткого суммирования, в том числе в корпоративных системах поиска по документам. В карточке приведены результаты одного прогона RAG-Instruct-Benchmark-Tester: 99,5 балла из 100 по указанной авторами шкале; эти результаты не гарантируют качество на других данных. Основной язык модели — английский. Лицензия Apache 2.0. Ответы могут быть неполными или неточными, поэтому их следует проверять.

strangervisionhf/deepseek-ocr-latest-transformers — экспериментальная копия весов DeepSeek OCR с исправленной конфигурацией для совместимости с актуальными версиями библиотеки Transformers. Модель семейства DeepSeek-VL-v2 имеет архитектуру DeepseekOCRForCausalLM, содержит 559,7 млн параметров и принимает изображения для генерации текстового ответа; её основное назначение — распознавание текста на изображениях и задачи визуально-языкового взаимодействия. Для работы в карточке приведён пример с Transformers 4.57.1, PyTorch и CUDA. Указаны английский язык и контекст 8192 токена. Модель распространяется по лицензии MIT. Автор предупреждает, что эта версия экспериментальная, рекомендует использовать более новые версии и сообщает, что копия весов не предназначена для иных целей.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, представленная командой DeepSeek. Это вариант vision-language модели на архитектуре Mixture-of-Experts (MoE), построенный на DeepSeekMoE-3B и использующий 1,0 млрд активируемых параметров. В репозитории доступны веса safetensors для Transformers. Модель предназначена для анализа изображений в диалоге и отвечает на вопросы по визуальному содержимому. Она подходит для визуального вопросно-ответного поиска, распознавания текста на изображениях, а также разбора документов, таблиц и диаграмм. В README также заявлена возможность visual grounding — связывания текста с областями изображения. Для Tiny изображения подаются с приведением к размеру 384×384 без разбиения на фрагменты; базовая языковая модель отличает эту версию от вариантов Small и полной версии. В предоставленных источниках нет сведений о длине контекста или поддерживаемых языках. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией в репозитории.

Elliot OV2 SFT 9k — исследовательский vision-language чекпойнт ElliotVL, экспортированный из 9-тысячного шага обучения Megatron в формат Hugging Face. Модель содержит 2 млрд параметров: языковая башня основана на Qwen3.5-2B с гибридным полным и линейным вниманием, а визуальная — на SigLIP2 NaViT с поддержкой изображений исходного разрешения. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Она предназначена для диалога по изображениям, распознавания текста на изображениях и документов, визуальных вопросов и ответов, а также анализа диаграмм и графиков. В README приведены результаты оценки на OCRBench, RealWorldQA и других наборах; автор отдельно указывает ограничения сопоставимости некоторых бенчмарков и особенности их подсчёта. Для запуска требуется Transformers 5.8.0.dev0, а также PyTorch, Pillow, Accelerate и Safetensors; в репозитории представлены веса safetensors, процессор, шаблон чата и модули удалённого кода. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели.

EraX-VL-7B-V1.0 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group и дообученная на Qwen/Qwen2-VL-7B-Instruct. Она предназначена для распознавания текста на изображениях, визуальных вопросов и ответов, а также анализа документов и изображений; поддерживает диалог из нескольких ходов. Особенно хорошо модель ориентирована на вьетнамский язык, при этом заявлены также английский и китайский. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения с текстовыми запросами, выдавая текстовые ответы. Длина контекста — 32 768 токенов. Модель рассчитана на извлечение текста и сведений из медицинских форм, счетов, накладных, коммерческих предложений и медицинских записей, а также на описание изображений и ответы на вопросы по их содержимому. В отличие от специализированного OCR-инструмента, она является мультимодальной языковой моделью, поэтому результат зависит от формулировки запроса. Лицензия — Apache 2.0.

jjzha/escoxlmr_skill_extraction — модель семейства XLM-RoBERTa для извлечения навыков из текста с помощью классификации токенов. README описывает её как демо для выявления знаний, жёстких навыков, а также мягких и прикладных навыков. Модель содержит около 658,7 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает текст с контекстом до 514 токенов. Модель подходит для автоматического выделения упоминаний навыков в текстах, например в резюме и описаниях вакансий. В карточке указана лицензия Apache-2.0. README не сообщает о качестве извлечения или поддерживаемых языках.

Модель kaliani/flair-ner-skill предназначена для распознавания сущностей в англоязычном тексте: она выделяет названия навыков и сведения о количестве лет опыта. По README, модель построена на Flair embeddings и архитектуре LSTM-CRF; метаданные указывают семейство BERT и класс BertForTokenClassification, поэтому сведения об архитектуре в источниках расходятся. В карточке приведён результат F1 84,3 на Ontonotes. Модель принимает текст и возвращает метки для токенов; размер — 25,9 млн параметров, контекст — 512 токенов. Лицензия в предоставленных данных не указана.

Модель beki/flair-pii-distilbert — модель распознавания именованных сущностей для выявления персональных данных в англоязычном тексте. Разработчик обучил её в Flair на трассировках протоколов, сгенерированных набором Privy; для представлений токенов используются эмбеддинги DistilBERT. Модель размечает пять классов сущностей, включая имена людей, названия мест и организаций. Модель предназначена для поиска и разметки PII в тексте, например при проверке журналов протоколов. В README приведён показатель F1 0,9522. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Указанная в карточке совместимость пакета spaCy — версии от 3.4.1 до 3.5.0.

Florence-2-large-ft — дообученная версия универсальной визуальной модели Florence-2 от Microsoft, представленная в реализации для библиотеки Transformers. Модель использует архитектуру encoder-decoder с генерацией последовательностей по текстовым инструкциям и содержит около 0,77 млрд параметров. Она принимает изображение и текстовый запрос, чтобы выполнять задачи описания изображения, обнаружения объектов, локализации фраз, OCR и визуальных вопросов и ответов. Модель предназначена для приложений компьютерного зрения и анализа изображений: например, для автоматического создания подписей, извлечения текста с его координатами и получения ответов о содержимом сцены. В карточке приведены результаты оценки на задачах описания изображений, обнаружения объектов и VQA; обучение проводилось на наборе FLD-5B с 5,4 млрд аннотаций для 126 млн изображений. Основная модальность — изображение на входе и текст на выходе; для некоторых задач модель также выдаёт координаты объектов и областей. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые естественные языки и длину контекста; качество может зависеть от типа изображения, формулировки запроса и конкретной задачи.

ModernBERTić-large — энкодер на архитектуре ModernBERT-large, разработанный Permitt для боснийского, хорватского, черногорского и сербского языков. Модель содержит 395 млн параметров и принимает последовательности длиной до 8192 токенов. Она обучена предсказывать замаскированные токены и подходит для классификации последовательностей и токенов, понимания длинных документов, а также как основа для дообучения ретриверов и реранкеров. Архитектура включает 28 слоёв, скрытый размер 1024 и 16 голов внимания. Используются RoPE, чередование локального внимания с окном 256 токенов и полного внимания, а также FlashAttention 2. Модель обучена на корпусе из 66 млрд токенов BCMS-текста; заявлены результаты уровня state of the art на SuperGLUE-SR и применение в производственных функциях платформы Recrewty. Лицензия — Apache-2.0. Токенизатор рассчитан на латинскую графику: кириллический текст рекомендуется предварительно транслитерировать. В обучающих данных преобладают хорватский и сербский языки, а код, разговорный чат и узкоспециальные научные тексты представлены слабее. Это энкодер, который не генерирует связный текст.

MuXodious выпустил дообученную модель Gemma 4 E4B Instruct, созданную с помощью Heretic v1.2.0 и методов abliteration. По карточке, исходная модель Google DeepMind — плотная мультимодальная Gemma 4 E4B Instruct; модель принимает текст и изображения, а семейство поддерживает также аудио на вариантах E2B и E4B. Для Gemma 4 E4B указано контекстное окно 128K токенов. Дообучение нацелено на снижение отказов: в приведённом тесте осталось 12 отказов из 416 запросов, при 414 отказах у исходной модели. Модель подходит для диалога и генерации текста, анализа изображений и документов, программирования и рассуждений. Карточка не приводит отдельного описания датасета или подробной оценки качества этой производной модели; её результаты могут отличаться от исходной Gemma 4. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели emplitude/Hermes-2-Pro-Llama-3-8B на Hugging Face совпадает с карточкой NousResearch/Hermes-2-Pro-Llama-3-8B, поэтому описание составлено по ней. Hermes 2 Pro — диалоговая языковая модель Nous Research, разработанная совместно с @interstellarninja и Fireworks.AI. Это дообученная плотная модель семейства Llama 3 с 7,5 млрд параметров, основанная на NousResearch/Meta-Llama-3-8B. Она предназначена для диалогов и выполнения инструкций, а также для вызова функций и генерации структурированных ответов в JSON. Модель обучалась на обновлённом и очищенном датасете OpenHermes 2.5 и дополнительных наборах данных для вызова функций и JSON-режима. Модель использует формат диалога ChatML и поддерживает многошаговое взаимодействие с инструментами через специальный шаблон. Контекст составляет 8192 токена. В карточке указана поддержка английского языка; веса доступны в формате Safetensors. Лицензия — Llama 3 License.

InternVL2-8B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab и входящая в семейство InternVL 2.0. Вариант содержит около 8,1 млрд параметров и построен из визуального энкодера InternViT-300M-448px, MLP-проектора и языковой модели internlm2_5-7b-chat; в метаданных указана архитектура InternVLChatModel и библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога по изображениям, понимания документов, диаграмм и инфографики, распознавания текста на изображениях, решения визуальных научных и математических задач, а также анализа нескольких изображений и видеокадров. README указывает контекстное окно 8 тысяч токенов и обучение на длинных текстах, нескольких изображениях и видео; языковые коды отдельных языков в карточке не перечислены, указана мультиязычность. Разработчики сообщают о конкурентных результатах в задачах понимания изображений и видео, включая OCR и ответы на вопросы по документам и диаграммам. Репозиторий распространяется по лицензии MIT. Оценки в README получены на конкретных бенчмарках и настройках, поэтому сами по себе не гарантируют точность на произвольных данных; обработка видео описана через извлечение кадров.

Kimi-VL-A3B-Thinking — мультимодальная модель Moonshot AI для анализа изображений и текста с расширенными возможностями рассуждения. Это вариант Kimi-VL-A3B-Instruct, дообученный с помощью supervised fine-tuning на длинных цепочках рассуждений и обучения с подкреплением. Архитектура сочетает MoE-языковую модель, визуальный энкодер MoonViT с обработкой изображений в исходном разрешении и MLP-проектор. Всего в модели около 16 млрд параметров, из них при работе активируется примерно 3 млрд. Модель предназначена для визуальных вопросов и ответов, понимания диаграмм и документов, OCR, математических задач по изображениям и мультимодального рассуждения. Она поддерживает контекст до 128 тыс. токенов и рассчитана на диалоговый сценарий. README рекомендует для задач с длительным рассуждением повышать температуру генерации; также отмечено, что существует более новая версия Kimi-VL-A3B-Thinking-2506. Лицензия — MIT.

Модель rubentito/layoutlmv3-base-mpdocvqa — версия LayoutLMv3 от Microsoft, дообученная на наборе MP-DocVQA. Это мультимодальный Transformer с архитектурой LayoutLMv3 и 151,8 млн параметров, предназначенный для ответов на вопросы по многостраничным документам. Модель принимает изображение документа и вопрос, находит нужные сведения и может предсказывать страницу, где находится ответ. Модель использовалась как базовый ориентир в исследовании Hierarchical multimodal transformers for Multi-Page DocVQA. В README приведены метрики ANLS для качества текстовых ответов и APPA для точности определения страницы. Основной язык карточки — английский; лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

nielsr дообучил модель Microsoft LayoutXLM-base на французской части многоязычного набора XFUND для извлечения сущностей из документов. Это мультимодальная модель архитектуры LayoutLMv2 с 305,2 млн параметров и контекстом до 514 токенов; она учитывает текст, расположение элементов и изображение страницы. Модель размечает категории question, answer, header и other в отсканированных французских документах, например при разборе форм и извлечении полей из документов. Для инференса требуется Tesseract с французским языковым пакетом. Модель распространяется по лицензии CC BY-NC-SA 4.0.

nrbhole/layoutxlm-finetuned-xfund-fr — дообученная модель на базе microsoft/layoutxlm-base для классификации токенов в документах. Она использует мультимодальную архитектуру LayoutXLM, учитывающую текст, расположение элементов и изображение страницы, и содержит 305,2 млн параметров. Модель предназначена для извлечения размеченных сущностей из документов, в частности в рамках датасета xfund-custom. Для обработки документов могут потребоваться текст, координаты элементов и изображение страницы. Модель поддерживает задачу token classification; её родительская модель рассчитана на многоязычное понимание документов. В названии указана французская специализация, однако README не уточняет набор меток и языки обучения. Репозиторий использует формат safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

unsloth/LFM2.5-VL-3B-GGUF — это квантизированный вариант мультимодальной модели LFM2.5-VL-3B, разработанной Liquid AI и опубликованной сообществом Unsloth. Модель предназначена для обработки текста и изображений, прежде всего на устройствах с ограниченными ресурсами и для сценариев с низкой задержкой. GGUF-экспорты оптимизированы для запуска на CPU с уменьшенным потреблением памяти через llama.cpp. В основе модели находится языковая модель LFM2.5-2.6B, дополненная vision-энкодером SigLIP2 NaFlex объёмом 400M параметров. Размер словаря составляет 128 000 токенов, длина контекста — до 32 768 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, испанский, вьетнамский, тайский, индонезийский, хинди, русский и польский языки. Обработка изображений использует разбиение крупных изображений на неперекрывающиеся патчи 512×512 и уменьшенную копию всего изображения. Сильные стороны модели — распознавание объектов по текстовым запросам, улучшенный visual grounding, OCR целых страниц с разметкой структуры документа, а также высокая скорость и эффективность инференса. Она подходит для обнаружения объектов в автомобильных системах, пакетной обработки сканов и PDF, извлечения текста с сохранением layout, перевода меню и дорожных знаков, а также других однопроходных задач реального времени. Модель не рекомендуется для сложного рассуждения, длительных контекстов, визуального веб-дизайна и ответов на узкоспециализированные технические вопросы по чертежам. Лицензия указана как lfm1.0; подробные условия следует проверять в файле LICENSE репозитория.

Heretic-org/LFM2.5-VL-3B-heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как decensored-версия LiquidAI/LFM2.5-VL-3B с помощью Heretic v1.4.0. Она предназначена для быстрых одношаговых задач, включая распознавание объектов и их локализацию по запросу, OCR с разметкой структуры страницы, ответы на вопросы по изображениям и перевод текста на изображениях. Модель использует гибридную архитектуру LFM2-VL: языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex. По карточке базовой модели, контекст составляет 32 768 токенов; поддерживаются текст и изображения, а список языков охватывает 17 языков, включая русский. В README указано, что базовая модель рассчитана на локальный запуск и может обрабатывать изображения высокого разрешения фрагментами. Версия Heretic заметно реже отказывает в ответах, чем исходная модель: в приведённом сравнении отказы составили 6 из 100 запросов против 100 из 100 у оригинала; указано также KL divergence 0,0553. Модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями, например сложного анализа чертежей. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.