I.3Извлечение и структурирование данных

LightOnOCR-2-1B-GGUF — набор GGUF-квантизаций модели LightOnOCR-2-1B, разработанной LightOnAI. Модель предназначена для преобразования изображений в текст, в частности для задач OCR и извлечения текстовой информации из визуальных документов. В README указано, что доступны варианты с разным уровнем квантизации: BF16, F16, Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS и Q4_K_M. Рекомендуется выбирать вариант максимально высокого качества, доступный в используемой системе; для мультимодального проектора mmproj предпочтителен формат F32. Более компактные варианты, вероятно, удобнее при ограниченных ресурсах, но README не содержит количественных сведений об их требованиях к памяти, точности, архитектуре, размере контекста, языках и поддерживаемых форматах изображений. Модель может быть полезна для локального распознавания текста на изображениях и работы с визуальными документами. Сильной стороной является наличие нескольких уровней квантизации, позволяющих выбирать компромисс между качеством и ресурсопотреблением. Ограничения и условия лицензирования в README не указаны.

Llama-xReadable-11B-zhTW-OCR-v3 — модель оптического распознавания символов для традиционного китайского языка Тайваня, разработанная облачной компанией 云碩科技 (xCloudinfo) на базе Meta Llama 3.2 11B Vision Instruct. Это плотная мультимодальная модель семейства mllama с возможностью диалога и анализа изображений; она принимает изображения документов и выдаёт распознанный текст. Модель дообучена для печатных и сканированных документов, квитанций, заметок и смешанного китайско-английского текста; результат нормализуется в традиционное китайское письмо. В оценках на шрифтах, не встречавшихся при обучении, модель показала низкую долю посимвольных ошибок на печатном тексте. Распознавание рукописей остаётся экспериментальным и требует проверки человеком; бледный или неразборчивый почерк распознаётся хуже. Для таблиц и сложной разметки рекомендуется предварительно разделить изображение на строки или ячейки. Английские фрагменты поддерживаются, но данных для них меньше. Модель распространяется в формате bf16 safetensors по лицензии Llama 3.2; для запуска подходят Transformers и vLLM, требуется около 21 ГБ для весов и рекомендуется GPU с 24 ГБ видеопамяти или больше.

Mini-InternVL-Chat-2B-V1-5 — мультимодальная модель OpenGVLab для диалогов и анализа изображений. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель InternLM2-Chat-1.8B; общий размер составляет 2,2 млрд параметров. Архитектура InternVL поддерживает изображения с динамическим разрешением, обрабатывая до 40 фрагментов размером 448 × 448 пикселей, в том числе изображения с разрешением до 4K. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания текста и диаграмм, визуального рассуждения и многошагового общения с изображениями. В карточке приведены результаты оценки на наборах DocVQA, ChartQA, TextVQA, OCRBench, MathVista и других. Для обучения использовался контекст длиной 8K; актуальный предел контекста в метаданных не приведён. README описывает запуск через Transformers и варианты квантования при инференсе. Модель может выдавать предвзятые или вредоносные ответы. Лицензия — MIT.

Google PaliGemma 3B FT OCRVQA 448 — дообученная версия компактной модели компьютерного зрения и языка PaliGemma для визуальных вопросов и ответов с чтением текста на изображениях. Она принимает изображение и текстовый запрос, затем генерирует текстовый ответ. В основе PaliGemma лежат визуальная модель SigLIP и языковая модель Gemma; суффикс 448 обозначает вариант с разрешением изображений 448 пикселей. Модель предназначена для одношагового взаимодействия и лучше подходит для настройки под конкретную задачу, чем для диалога общего назначения. Основной сценарий — отвечать на вопросы по тексту, распознанному на изображении: например, извлекать сведения из вывесок, форм или скриншотов. Модель относится к семейству мультиязычных VLM, однако конкретный набор языков этой версии не уточнён. Для использования действуют условия лицензии Gemma. Возможны ошибки распознавания и ответов; модель может отражать смещения обучающих данных, а её результаты требуют проверки. Она не предназначена для многоходового общения, а качество без дополнительной настройки на целевую задачу может быть ограничено.

Palmyra Vision — мультимодальная модель семейства Palmyra от Writer для диалога и генерации ответов по изображениям. Она принимает изображение и текстовый запрос и предназначена для визуальных вопросов и ответов, включая анализ диаграмм, документов, инфографики, распознавание текста на изображениях, подсчёт объектов и визуальные задачи по математике. В README указано обучение на наборе PixMo объёмом 1 млн примеров; метаданные описывают плотную архитектуру Palmyra_visionForCausalLM на 12,8 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель поддерживает английский язык и использует Transformers. В README приведены результаты на 11 академических бенчмарках: средняя оценка 78,3 и рейтинг человеческих предпочтений Elo 1056. Для обработки изображений требуется RGB; на прозрачных изображениях модель может работать хуже, поэтому рекомендуется предварительно добавить фон. Лицензия в предоставленных данных не указана. Метаданные связывают модель слиянием с openai/clip-vit-large-patch14-336 и Writer/Palmyra-Large.

Ferox AI подготовила конверсию Microsoft Phi-4-multimodal-instruct для локального мультимодального инференса на устройствах Apple Silicon. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; она предназначена для визуальных вопросов и ответов, извлечения сведений из документов, распознавания текста на изображениях и анализа графиков и диаграмм. В основе — плотная архитектура семейства Phi-4 с языковой частью Phi-4-Mini на 3,8 млрд параметров и визуальным энкодером SigLIP-SO400M. Весовая часть модели квантизирована до 4 бит с группами по 64, тогда как энкодер SigLIP остаётся в FP16. Метаданные указывают контекст 4096 токенов. В этой сборке аудио не поддерживается; для запуска нужны Apple Silicon и MLX. По внутренним оценкам на небольших выборках модель показывает полезные результаты для документов, диаграмм и OCR, но точность ответов не гарантируется и требует проверки человеком. Распространяется по лицензии MIT. Визуальные LoRA-адаптеры заранее слиты с весами, поэтому переключать их во время работы нельзя.

Карточка модели perplexity-ai/pplx-pii-masking-vllm на Hugging Face совпадает с карточкой perplexity-ai/pplx-pii-masking-vllm-tmp, поэтому описание составлено по ней. Это преобразованная для обслуживания через vLLM версия модели Perplexity AI pplx-pii-masking. Она использует плотную архитектуру Qwen3ForTokenClassification с 507,9 млн параметров и принимает текст, присваивая токенам BIOES-метки для обнаружения имён людей, адресов электронной почты и телефонов, адресов, URL, дат, номеров счетов, секретов и других персональных данных. Дополнительный выход оценивает чувствительность последовательности. Модель поддерживает английский и демонстрирует работу на немецком; контекст по метаданным — 32 768 токенов. Веса перенесены без переобучения и квантизации: изменены формат упаковки и структура голов для совместимости с vLLM. Проверки в карточке показывают совпадение меток с исходной моделью на приведённых примерах. Для декодирования меток и оценки чувствительности нужны сырые логиты без активации. Токенизатор обрезает входы длиннее 4096 токенов, поэтому длинный текст следует обрабатывать частями; границы найденных фрагментов могут не точно совпадать с границами символов, а оценку чувствительности рекомендуется калибровать перед использованием как порога. У репозитория указана лицензия other; карточка сообщает, что модель приватна и ожидает синхронизации с официальным выпуском.

Это преобразованная для обслуживания через vLLM версия модели Perplexity AI pplx-pii-masking. Она использует плотную архитектуру Qwen3ForTokenClassification с 507,9 млн параметров и принимает текст, присваивая токенам BIOES-метки для обнаружения имён людей, адресов электронной почты и телефонов, адресов, URL, дат, номеров счетов, секретов и других персональных данных. Дополнительный выход оценивает чувствительность последовательности. Модель поддерживает английский и демонстрирует работу на немецком; контекст по метаданным — 32 768 токенов. Веса перенесены без переобучения и квантизации: изменены формат упаковки и структура голов для совместимости с vLLM. Проверки в карточке показывают совпадение меток с исходной моделью на приведённых примерах. Для декодирования меток и оценки чувствительности нужны сырые логиты без активации. Токенизатор обрезает входы длиннее 4096 токенов, поэтому длинный текст следует обрабатывать частями; границы найденных фрагментов могут не точно совпадать с границами символов, а оценку чувствительности рекомендуется калибровать перед использованием как порога. У репозитория указана лицензия other; карточка сообщает, что модель приватна и ожидает синхронизации с официальным выпуском.

PP-OCRv4_mobile_det — модель обнаружения текстовых областей из семейства PP-OCRv4_det, разработанная командой PaddleOCR. Она выделяет текст на изображениях и рассчитана на эффективное развёртывание на мобильных и других периферийных устройствах. Модель служит модулем обнаружения в конвейере OCR: в сочетании с распознавателем и, при необходимости, модулями ориентации и коррекции изображения конвейер извлекает текст из документов и сцен. В карточке приведены показатели для печатного и рукописного китайского и английского текста, традиционного китайского, японского, древних текстов, а также изображений с поворотом, искажением и художественным текстом. Для использования указана библиотека PaddleOCR. Модель распространяется по лицензии Apache-2.0. В карточке нет сведений о размере, длине контекста или выходном формате результатов; качество заметно различается между приведёнными сценариями, поэтому показатели для одного вида текста не гарантируют аналогичного качества для других.

mikoy92 подготовил MLX-версию компактной модели распознавания текста PP-OCRv6 small на основе PaddlePaddle/PP-OCRv6_small_rec_safetensors. Модель принимает изображение и выдаёт распознанный текст; пример использования показывает запуск через mlx-vlm и постобработку результата распознавания. Модель предназначена для OCR-сценариев, где требуется извлечь текст из изображения на устройствах Apple с использованием MLX. В метаданных указаны английский и китайский языки, библиотека MLX и лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для извлечения текста из уже выделенных строк или фрагментов изображения и может использоваться как модуль распознавания в OCR-конвейерах для документов, экранов и промышленных изображений. Модель построена на LCNetV4 с прямой проекцией reshape и многоголовочным декодером CTC+NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; карточка указывает английский и китайский. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека PaddleOCR. Компактный размер подходит для сценариев, где важны лёгкое развёртывание и распознавание текста в разнообразных визуальных условиях. Это модель распознавания текста, а не полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться отдельные компоненты. Лицензия — Apache-2.0.

Qwen2.5-VL-32B-OCR — адаптер LoRA, созданный на базе Qwen/Qwen2.5-VL-32B и дообученный для оптического распознавания символов. Модель принимает изображения вместе с текстовыми запросами и формирует текстовый ответ; её основное назначение — извлечение текста из изображений и документов. Адаптер рассчитан на использование с базовой моделью через Transformers и PEFT. В основе лежит плотная vision-language архитектура Qwen2.5-VL с 32 млрд параметров и контекстом до 128 000 токенов. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка не описывает качество распознавания, поддерживаемые языки или специальные возможности разбора структуры документов, поэтому их нельзя оценить по имеющимся данным.

Qwen3.8-27B-NVFP4 — квантизированная версия мультимодальной модели Qwen3.8-27B, созданная vrfai на основе исходной модели Qwen. Она предназначена для задач понимания текста и изображений, включая визуальные вопросы и ответы, анализ документов, диаграмм, OCR и математических изображений. Модель рассчитана на использование через Transformers и vLLM. Модель имеет 27 млрд параметров и распространяется в формате NVFP4 W4A4 с сериализацией compressed-tensors. Размер контрольной точки составляет 18,4 ГБ против 52 ГБ у базовой модели. Квантизация применяется к 93,28% весов линейных слоёв; отдельные компоненты, включая зрительную башню, lm_head, нормализации, эмбеддинги и некоторые слои Gated DeltaNet, сохранены в bf16. В архитектуре используются attention и Gated DeltaNet, однако размер контекстного окна и список поддерживаемых языков в карточке не указаны. Основное преимущество модели — существенно меньшее потребление памяти при сохранении мультимодальных возможностей. При наличии GPU с compute capability 10.0 или новее, например NVIDIA Blackwell B100, B200 или GB200, поддерживается полноценная NVFP4-арифметика. На H100, H200 и графических процессорах Ada модель работает через weight-only путь Marlin FP4: экономия памяти сохраняется, но вычисления, особенно при обработке длинных входов и больших пакетов, могут быть медленнее, чем у версии bf16. Результаты тестов показывают измеримые потери на отдельных задачах компьютерного зрения и обработки документов; опубликованные оценки не следует напрямую считать показателями полноценного W4A4-режима на Blackwell. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-2B-Instruct — версия мультимодальной модели Qwen3-VL-2B-Instruct, подготовленная Unsloth; это плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и весами в формате safetensors. Она принимает текст и изображения, а также предназначена для анализа видео в диалоге: отвечает на вопросы по визуальным данным, распознаёт текст, рассуждает о пространственных отношениях и помогает взаимодействовать с графическими интерфейсами и инструментами. Карточка базовой модели указывает контекст 256 тысяч токенов с возможностью расширения до миллиона; README также заявляет поддержку OCR на 32 языках и обработку длинных видео. Модель подходит для описания изображений и видео, извлечения текста из документов, визуальных вопросов и ответов, генерации кода интерфейсов по визуальному примеру и сценариев с визуальными агентами. README отмечает исправления шаблона чата Unsloth; для llama.cpp требуется параметр --jinja. Заявления о качестве и производительности приведены без таблиц результатов в доступном README. Лицензия — Apache-2.0.

Mungert/Qwen3-VL-30B-A3B-Instruct-GGUF — квантованный формат GGUF модели Qwen3-VL-30B-A3B-Instruct из семейства Qwen. Репозиторий подготовлен пользователем Mungert с использованием llama.cpp. Модель предназначена для мультимодального понимания и генерации: работы с текстом, изображениями и видео, визуального анализа, распознавания текста, пространственного рассуждения, решения STEM- и математических задач, а также взаимодействия с графическими интерфейсами и инструментами. Модель использует архитектуру Mixture of Experts (MoE) с заявленным размером 30B и активной частью 3B параметров. Она поддерживает контекст до 256K токенов с возможностью расширения до 1M, обработку длинных документов и продолжительных видео с временной индексацией. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Улучшено распознавание объектов, документов и текста; OCR заявлен для 32 языков. Модель также может генерировать Draw.io, HTML, CSS и JavaScript по изображениям или видео. К сильным сторонам относятся сочетание текстового и визуального понимания, расширенный контекст, анализ пространственных отношений и видео, а также возможность применения в визуальных агентах и задачах визуального программирования. Ограничения связаны с использованием квантованного GGUF-представления: качество, скорость и требования к памяти зависят от выбранного уровня квантования и среды запуска. В репозитории также описан экспериментальный подход к повышению точности отдельных слоёв, увеличивающий размер файлов. Лицензия — Apache-2.0.

cyankiwi/Qwen3-VL-32B-Instruct-AWQ-4bit — 4-битная квантованная версия мультимодальной модели Qwen3-VL-32B-Instruct. Базовую модель разработала команда Qwen, а данную сборку подготовил Ton Cao. Модель предназначена для генерации текста по изображениям и тексту, визуального анализа, распознавания текста на изображениях, понимания видео, пространственного рассуждения, мультимодального решения задач и взаимодействия с графическими интерфейсами. Она также ориентирована на визуальное программирование и может генерировать Draw.io, HTML, CSS и JavaScript по изображениям или видео. Модель имеет плотную архитектуру с 32 миллиардами параметров и поддерживает текстово-визуальные входы. Заявлены контекст длиной 256K токенов с возможностью расширения до 1M, анализ продолжительных видео, индексация событий по времени и OCR для 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE для обработки временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками. Квантование выполнено методом AWQ до INT4 с размером группы 32 на основе датасета FineVision с использованием llm-compressor. Сильные стороны модели — широкий набор визуальных и текстовых возможностей, работа с длинным контекстом, видео, документами, пространственными отношениями и агентными сценариями при сниженных требованиях к памяти благодаря INT4-квантованию. Ограничения включают возможную потерю качества по сравнению с полноразмерной моделью, а также высокие вычислительные требования, связанные с исходным размером 32B и мультимодальной обработкой. В README не указаны полный перечень поддерживаемых языков для генерации, точные системные требования и результаты численных тестов. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Instruct-GGUF — мультимодальная instruction-модель, разработанная Unsloth на основе Qwen/Qwen3-VL-32B-Instruct. Она предназначена для диалогов и генерации ответов по тексту и изображениям, а также для анализа видео, визуального распознавания, OCR, пространственного рассуждения, STEM- и математических задач, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель использует плотную архитектуру размером 32B параметров и поставляется в формате GGUF. Заявлены контекст длиной 256K токенов с возможностью расширения до 1M, поддержка изображений, видео и текста, а также OCR для 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. Репозиторий также включает исправления chat template от Unsloth. Сильные стороны модели — объединённое понимание текста и визуальных данных, детальное распознавание объектов и документов, работа с длинным контекстом и видео, а также расширенные возможности пространственного и агентного рассуждения. Ограничения связаны с высокой вычислительной и памятьевой нагрузкой 32B-модели, а GGUF предполагает использование совместимого программного обеспечения для запуска; конкретные требования к ресурсам и поддерживаемые языки вне OCR в README не указаны. Модель распространяется по лицензии Apache-2.0.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-8bit — 8-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также заявлена для понимания видео, визуального рассуждения и взаимодействия с графическими интерфейсами. Она подходит для описания изображений, визуального вопросно-ответного взаимодействия, OCR, анализа документов, STEM-задач, генерации кода и разметки интерфейсов по визуальным примерам. Модель использует плотную архитектуру размером 4B параметров и поддерживает контекст до 256K токенов с возможностью расширения до 1M. Среди заявленных архитектурных компонентов — Interleaved-MRoPE для временных и пространственных координат, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Указана поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и изображений, распознавание объектов и документов, пространственное и временное рассуждение, работа с длинным контекстом и сценарии визуального агента. Ограничения включают уменьшенную точность, возможные потери качества и совместимость, связанные с 8-битной AWQ-квантизацией, а также отсутствие в README подробных количественных результатов, полного списка языков и требований к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

cyankiwi/Qwen3-VL-8B-Instruct-AWQ-4bit — 4-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Модель предназначена для обработки изображений, видео и текста: она поддерживает визуальные вопросы и ответы, описание и анализ изображений, OCR, понимание документов и видео, пространственное рассуждение, STEM- и математические задачи, а также взаимодействие с графическими интерфейсами и инструментами. В README также заявлена генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео. Модель имеет плотную архитектуру с 8 млрд параметров, поддерживает текстово-визуальное понимание и контекст до 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных зависимостей, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К преимуществам относятся улучшенное распознавание объектов, документов и пространственных отношений, длительный контекст и понимание видео; ограничения конкретной AWQ-квантизации, точные требования к оборудованию и результаты тестов для данного репозитория не указаны. Распространяется по лицензии Apache-2.0.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.

Teapot LLM — компактная языковая модель сообщества TeapotAI, дообученная на синтетических данных от FLAN-T5-Large. В метаданных указаны архитектура T5, 385,2 млн параметров и контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель предназначена для генерации ответов на основе предоставленных документов и контекста, в том числе в сценариях RAG. Teapot обучена отвечать на вопросы по контексту, извлекать сведения из документов и выдавать структурированные данные, включая JSON. Она рассчитана на локальный запуск на устройствах с ограниченными ресурсами, включая смартфоны и CPU, и поддерживается Transformers.js для работы в JavaScript-средах. README отмечает стремление модели воздерживаться от ответа, если контекст не содержит достаточных сведений. Метаданные перечисляют английский, французский, румынский и немецкий языки, однако авторы сообщают, что модель не оценивалась на языках, кроме английского. Она не предназначена для генерации кода, творческого письма или критически важных решений. Лицензия — MIT.

TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

Xenova/trocr-small-printed — веб-совместимая версия модели microsoft/trocr-small-printed, подготовленная с весами в формате ONNX для работы через Transformers.js. Модель предназначена для распознавания печатного текста на изображениях и преобразования его в текст, поэтому подходит для сценариев OCR в браузерных и JavaScript-приложениях. Из доступных данных известно, что модель относится к семейству TrOCR и имеет вариант small; поддерживает задачу image-to-text и распространяется с ONNX-весами. Сведения о точной архитектуре, количестве параметров, поддерживаемых языках, размере контекста и конкретных показателях качества в карточке не указаны. Лицензия также не указана; условия использования следует уточнять в исходном репозитории microsoft/trocr-small-printed.

olmOCR-2-7B-1025-GGUF — набор GGUF-квантизированных версий модели olmOCR-2-7B-1025, разработанной allenai и подготовленной пользователем bartowski с помощью llama.cpp. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач обработки изображений и генерации текста, в частности для сценариев OCR, где требуется извлекать или преобразовывать содержимое изображений в текст. В README не указаны поддерживаемые языки, точная архитектура, размер контекста и конкретные возможности работы с различными типами документов. Доступны варианты от исходных BF16-весов размером 15,24 ГБ до квантизаций Q2–Q8 и IQ, включая наиболее рекомендуемые Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Квантизация выполнена с использованием imatrix, что позволяет выбирать компромисс между качеством и требованиями к памяти. Версии GGUF можно запускать в LM Studio, llama.cpp и других совместимых проектах. Сильной стороной модели является широкий выбор уровней квантизации: высококачественные варианты обеспечивают близкое к исходному качество, а компактные версии подходят для систем с ограниченной оперативной памятью. Ограничения связаны с потерями качества у низкобитных вариантов, а также с отсутствием в предоставленных данных сведений о лицензии, производительности, языковом охвате, максимальном контексте и точных требованиях к оборудованию.

Vu74269/bert-squadv2-extend-base — англоязычная модель BERT Base, дообученная для извлечения ответов на вопросы по контексту. Она обучена на расширенной версии SQuAD 2.0, в которой добавлены вопросы без ответа из других контекстов той же статьи, поэтому предназначена также для распознавания случаев, когда в предоставленном тексте ответа нет. Модель содержит 136,7 млн параметров, принимает вопрос и контекст и выделяет ответный фрагмент; максимальная длина контекста — 512 токенов. Базовая модель — google-bert/bert-base-uncased. Распространяется по лицензии Apache-2.0.

noctrex/Chandra-OCR-GGUF — набор GGUF-квантизаций модели Chandra-OCR, базовая модель которой опубликована организацией datalab-to. Модель предназначена для преобразования изображений в текст и задач OCR, включая обработку визуальных документов. README не содержит подробностей об архитектуре, размере, поддерживаемых языках, длине контекста или точном наборе визуальных возможностей. Доступны варианты квантизации, позволяющие запускать модель с различными требованиями к ресурсам. Для мультимодального проектора mmproj рекомендуется версия F32 как наиболее качественная; далее по ожидаемому качеству указаны BF16 и F16. Конкретные компромиссы между качеством, скоростью и потреблением памяти для вариантов GGUF не описаны. Лицензия в предоставленных данных не указана.

Chonky modernbert large v1 — англоязычная модель токеновой классификации, дообученная автором mirth на answerdotai/ModernBERT-large для разделения текста на смысловые фрагменты. Она размечает границы сегментов меткой separator и предназначена для подготовки документов к поиску и генерации с дополнением из найденных данных (RAG), а также для передачи фрагментов в системы эмбеддингов или языковые модели. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Базовая архитектура поддерживает контекст до 8192 токенов, однако модель дообучалась на последовательностях длиной 1024 токена. В README приведены token-based F1 0,85 для minipile и 0,79 для BookCorpus. Модель распространяется в формате safetensors по лицензии MIT.

Conditional DETR с backbone ResNet-50, дообученная Tech4Humans для обнаружения рукописных подписей на изображениях документов. Модель принимает изображение документа и возвращает ограничивающие рамки объектов подписи. Она создана на основе microsoft/conditional-detr-resnet-50 и распространяется в формате safetensors; в метаданных указано 6,3 млн параметров. Обучение проводилось на наборе из 2 819 изображений документов с разметкой координат подписей, собранном из Tobacco800 и signatures-xc8up. В README для Conditional DETR приведён результат mAP@0.5 около 93,65% в сравнении архитектур; показатели в других таблицах относятся к отдельным экспериментам и моделям YOLO, поэтому их нельзя напрямую считать характеристиками этого чекпойнта. Модель предназначена для поиска областей подписей в потоке обработки документов. Лицензия — Apache-2.0.

cyrillic_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она принимает изображение строки и преобразует текст на кириллице в строку; модель можно использовать как компонент OCR-системы или в конвейере PP-OCRv5 вместе с обнаружением текста и другими модулями обработки изображения. Заявленная точность составляет 80,27%; при оценке строка считалась ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Это специализированный распознаватель строк, поэтому для полного извлечения текста из документа обычно требуется конвейер с обнаружением текстовых областей. Модель распространяется по лицензии Apache-2.0.

DeepAnalyze-8B — агентная большая языковая модель для автономной работы с задачами анализа данных. Её разработали Shaolei Zhang, Ju Fan, Meihao Fan, Guoliang Li и Xiaoyong Du; модель основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров. Для запуска используется библиотека Transformers, веса опубликованы в формате safetensors; контекст — до 131 072 токенов. Модель предназначена для выполнения полного цикла работы с данными: подготовки и исследования данных, анализа, построения моделей, визуализации и подготовки отчётов. Она может исследовать структурированные источники, например базы данных, CSV и Excel, полуструктурированные JSON, XML и YAML, а также текстовые документы TXT и Markdown. В карточке указаны возможности чата и интерфейс вызова инструментов. Проект позиционируется как открытый, но в метаданных лицензия указана как MIT.