I.3Извлечение и структурирование данных

DeepHermes 3 Preview — предварительная версия языковой модели серии Hermes, разработанная Nous Research. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, дообученная на базе meta-llama/Meta-Llama-3.2-3B. Она предназначена для диалогов, следования инструкциям и генерации текста; режим рассуждений с развёрнутой цепочкой рассуждений и обычный режим ответа переключаются системным запросом. Модель также поддерживает интерфейс вызова функций и генерацию структурированных ответов в формате JSON. Модель использует формат чата Llama-Chat, рассчитана на контекст до 131 072 токенов и поддерживает английский язык. В карточке описаны применение Transformers и vLLM, а веса доступны в формате safetensors. Это предварительный выпуск с ранними возможностями рассуждения, поэтому возможны нестабильное поведение и недочёты. Лицензия — Llama 3 Community License (llama3).

MLX-версия модели DeepSeek-OCR-8bit, разработанная сообществом mlx-community и конвертированная из prince-canuma/DeepSeek-OCR с использованием mlx-vlm 0.3.10. Модель относится к классу vision-language и предназначена для задач OCR и генерации текста по изображениям, включая описание визуального содержимого. Модель работает с изображениями и текстовыми запросами, поддерживает мультиязычные сценарии и использует 8-битное представление в формате MLX. README не содержит сведений о точной архитектуре, количестве параметров или размере контекстного окна. Для запуска требуется библиотека mlx-vlm; пример использования предусматривает генерацию до 100 токенов при температуре 0.0. К сильным сторонам относятся специализированная направленность на OCR, поддержка мультимодального ввода и оптимизация для экосистемы MLX. Ограничения включают отсутствие в README подробностей о качестве распознавания, поддерживаемых языках, архитектуре и вычислительных требованиях. Модель распространяется по лицензии MIT.

negfir/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и извлекает из контекста фрагмент, который служит ответом. Модель содержит около 66 млн параметров, использует архитектуру BERT и доступна в формате PyTorch; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения ответов из документов, справочных материалов и других текстов на английском языке. В README приведено значение loss 1,22 на оценочной выборке, но подробности оценки и дополнительные результаты не указаны. Лицензия — Apache-2.0.

rizukim/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа на вопрос из предоставленного текста и относится к архитектуре DistilBertForQuestionAnswering. Модель работает с текстом, использует библиотеку Transformers и рассчитана на контекст длиной до 512 токенов. В README приведён результат оценки: loss 1,1039; описание обучающих данных, подробные сценарии применения и ограничения не раскрыты. Базовая модель — distilbert/distilbert-base-uncased. Лицензия — Apache-2.0.

khanhhdt/distilbert-finetuned-squadv2 — дообученная на задаче question answering модель на базе DistilBERT, опубликованная пользователем khanhhdt. Карточка указывает, что для дообучения использован неизвестный набор данных; архитектура — DistilBertForQuestionAnswering. Модель принимает вопрос и текстовый контекст и предназначена для извлечения ответа из этого контекста. Модель подходит для систем вопросов и ответов по предоставленному тексту, например для поиска фактов в документах. Максимальная длина контекста составляет 512 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Сведения о качестве, обучающих данных и известных ограничениях в карточке отсутствуют, поэтому надёжность ответов на конкретных данных следует проверять отдельно.

DoDataThings разработала DistilBERT US Bank Transaction Classifier v2 — дообученную модель DistilBERT для отнесения описаний банковских операций США к 17 категориям расходов и доходов. На вход подаются описание транзакции и префикс [debit] или [credit], обозначающий движение денег относительно счёта; модель возвращает категорию и оценку уверенности. Версия v2 расширяет охват торговых точек, учитывает восемь форматов выписок и поддерживает PayPal как отдельный формат. Модель предназначена для автоматической категоризации операций по счетам checking, savings и кредитным картам, а также для обработки выписок разных американских банков. Она использует архитектуру DistilBertForSequenceClassification, поддерживает английский язык, а её контекст ограничен 512 токенами. В репозитории есть экспорт ONNX; лицензия — Apache-2.0. В README указана точность 96,1% для классификаций с уверенностью не ниже 0,90 на выборке примерно из 2 000 реальных транзакций; заявленная точность 99,9% получена на синтетических данных. Слабее всего классифицируется категория Shopping из-за пересечения с подписками и продуктами. Для корректной работы нужен префикс направления операции; неизвестные торговые точки и форматы банков могут снижать качество. Авторы рекомендуют дополнять модель правилами для известных продавцов и классификацией по типу счёта.

Microsoft DiT base — модель классификации изображений документов на архитектуре трансформера-энкодера BEiT. Она предварительно обучена на 42 миллионах изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тысячах изображений в градациях серого, размеченных по 16 классам. В модели около 119,5 млн параметров. Модель предназначена для отнесения изображения документа к классу, а также может использоваться для извлечения векторных признаков документов и дообучения для задач анализа макета или обнаружения таблиц. Изображение разбивается на патчи 16×16, которые обрабатывает трансформер-энкодер. Карточка не указывает лицензию; условия использования следует проверить в репозитории модели.

Карточка модели NVEagle/Eagle-X5-13B на Hugging Face совпадает с карточкой NVEagle/Eagle-X5-13B-Chat, поэтому описание составлено по ней. Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

Florence-2-base — преобразованный официальный чекпойнт Microsoft Florence-2, опубликованный сообществом florence-community для Transformers. Это компактная плотная модель vision-language с архитектурой Florence2ForConditionalGeneration и примерно 0,23 млрд параметров. В карточке указана версия продолженного предобучения Florence-2-large с контекстом 4 тыс. токенов; авторы предупреждают, что для этого этапа использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Модель принимает изображение и текстовый запрос, а результат формирует в текстовом виде. Смена запроса позволяет получать подписи к изображениям, описания областей, предложения регионов, обнаруживать объекты, связывать фразы с областями изображения и выполнять OCR, в том числе с координатами областей текста. Florence-2 рассчитана на широкий круг задач компьютерного зрения и vision-language; карточка также приводит результаты для сегментации и визуальных вопросов и ответов. Модель обучалась на наборе FLD-5B с аннотациями к изображениям. В README отмечено изменение OCR: строки текста разделяются символом новой строки. Качество конкретных задач следует проверять отдельно; авторы предупреждают о возможном недостаточном обучении этой версии. Лицензия репозитория — MIT.

Это модифицированная версия Florence-2-large от Microsoft, опубликованная multimodalart для работы без зависимости flash-attn: специализированные методы внимания заменены стандартным attention, что может снизить производительность. Модель использует плотную seq2seq-архитектуру Florence-2 и содержит около 0,77 млрд параметров; веса представлены в формате PyTorch и обучены в float16. Лицензия — MIT. Модель принимает изображение и текстовую инструкцию-промпт, а затем генерирует текстовые описания и ответы либо структурированные результаты с координатами и метками. По промпту выполняет описание изображений, обнаружение объектов, выделение областей и их привязку к фразам, генерацию предложений областей и OCR, включая распознавание текста с координатами. Карточка описывает широкий набор зрительных и визуально-языковых задач, но не указывает языки, на которых гарантируется качество распознавания и генерации.

Модель AI-aktindsigt создана в рамках проекта AI-aktindsigt и дообучена для распознавания именованных сущностей в датских документах по запросам о доступе к государственным материалам. Это модель на базе BERT с классификацией токенов, содержащая 205,1 млн параметров и принимающая текст с контекстом до 512 токенов. Представленная версия обучена с дифференциальной приватностью при ε=1. Она выделяет людей, места, организации, сведения о здоровье, адреса, муниципалитеты и телефонные номера. Модель предназначена для поиска чувствительных сущностей в документах; распознавание CPR-номеров и категорий преступлений в этой версии исключено. На тесте для версии sss-ner-dp-1 указана общая Macro-F1 0,75, при этом качество различается по категориям. Модель сохранена в формате PyTorch. Сведения о лицензии в доступной карточке не приведены.

Мультимодальная модель carbonteq на архитектуре Gemma 4 E4B, дообученная на базе unsloth/gemma-4-E4B-it. Репозиторий содержит веса в формате Safetensors; модель предназначена для диалогового взаимодействия и генерации ответов на текстовые запросы с учётом изображений. Модель подходит для вопросов по изображениям и документам, а также для других сценариев общения с визуальным вводом. Карточка указывает, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.

amir22010/gemma4-e4b-w4a16-it-v2 — мультимодальная модель для диалога и анализа изображений, созданная Team Horizon на основе google/gemma-4-E4B-it. Это версия Gemma 4 E4B Instruct с квантизацией весов W4A16: веса представлены в 4-битном формате, активации остаются в FP16. Поддерживаются входные изображения и текст; модель предназначена для визуальных вопросов и ответов, анализа документов и диалоговых инструкций. Квантизация выполнена методом RTN для линейных слоёв; lm_head и аудиослои исключены. По README, для инференса требуется около 10 ГБ видеопамяти, рекомендуется 16–24 ГБ. Заявлены улучшения на отдельных бенчмарках после калибровки на TextVQA, DocVQA и UltraChat, однако эти результаты относятся к тестам автора и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0. Среди известных ограничений — небольшое снижение точности на задачах анализа документов относительно базовой модели; аудиослои сохранены в исходной точности и не квантизированы.

Мультимодальная модель Gemma 4 E2B IT, дообученная filipwx на базе unsloth/gemma-4-E2B-it и опубликованная в виде шардированных весов для удобной загрузки. Она предназначена для диалогов и задач image-text-to-text, включая анализ изображений и документов. Архитектура — плотная Gemma4ForConditionalGeneration; репозиторий содержит веса safetensors, разбитые на шарды примерно по 2 ГБ. README описывает запуск с 4-битной квантизацией bitsandbytes и прямым размещением модели на GPU, однако это параметры загрузки, а не отдельное заявленное свойство весов репозитория. Модель ориентирована на работу с изображениями и текстом; базовая модель также поддерживает диалоги и интерфейс вызова инструментов. Карточка приводит английский язык. Лицензия — Apache-2.0. Указанные в README ограничения и рекомендации по размещению на GPU относятся к конкретной конфигурации загрузки и оборудованию; её применимость зависит от доступной памяти и окружения.

GLM-4.5V-FP8 — мультимодальная vision-language модель, разработанная ZhipuAI на базе текстовой модели GLM-4.5-Air. Она предназначена для анализа изображений, видео и документов, визуального рассуждения, понимания интерфейсов и задач GUI-агента, а также точной локализации объектов на изображениях. Модель поддерживает китайский и английский языки и работает через библиотеку Transformers. Модель имеет архитектурную основу GLM-4.5-Air с 106 млрд параметров, из которых 12 млрд активны, и представлена в формате FP8. Она поддерживает режим Thinking Mode для выбора между быстрыми ответами и углублённым рассуждением, умеет выполнять анализ сцен и нескольких изображений, распознавать события в длинных видео, разбирать сложные графики и длинные документы, а также возвращать координаты ограничивающих рамок объектов в нормализованном формате. Заявлена высокая эффективность на 42 публичных vision-language бенчмарках среди моделей сопоставимого масштаба. Ограничения, включая размер контекста, перечень поддерживаемых форматов и требования к ресурсам, в README не указаны. Модель распространяется по лицензии MIT.

GLM-4.6V — мультимодальная модель семейства GLM-V, разработанная Z.ai. Это базовая модель на 106 млрд параметров для облачных вычислений и высокопроизводительных кластеров; она использует архитектуру GLM4V-MoE и поддерживает чат с изображениями. Контекст при обучении составляет до 128 тыс. токенов. Модель рассчитана прежде всего на визуальное понимание и мультимодальные рассуждения: она анализирует изображения, снимки экранов и страницы документов, совместно учитывая текст, структуру, таблицы, диаграммы и иллюстрации. Модель подходит для вопросов по длинным и визуально насыщенным документам, понимания изображений и экранных интерфейсов, а также для построения агентов с вызовом инструментов на основе визуального контекста. Она также может создавать смешанный текстово-графический контент и генерировать HTML/CSS по снимкам интерфейсов. В README заявлены результаты уровня лучших моделей сопоставимого размера в задачах визуального понимания, однако чисто текстовые ответы слабее, чем визуальные возможности; на сложных запросах возможны избыточные или повторяющиеся рассуждения, а точность подсчёта объектов и распознавания конкретных людей ограничена. Репозиторий распространяется по лицензии MIT.

mlx-community/GLM-OCR-4bit — это 4-битная версия модели GLM-OCR, преобразованная сообществом mlx-community из исходной модели zai-org/GLM-OCR в формат MLX с использованием mlx-vlm версии 0.3.10. Модель предназначена для преобразования изображений в текст и может применяться, например, для распознавания и описания содержимого изображений. Модель поддерживает китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. Она относится к классу image-to-text и предназначена для запуска через библиотеку mlx-vlm на совместимом с MLX оборудовании. Из доступных данных не указаны архитектура исходной модели, количество параметров, максимальная длина контекста, точные возможности распознавания документов и таблиц, а также количественные показатели качества. Ключевая особенность варианта — 4-битное квантование и формат MLX, что может снизить требования к памяти и упростить локальный запуск, но потенциально ограничивает точность по сравнению с полноразмерной версией. Лицензия модели — MIT. Для подробностей об архитектуре и ограничениях следует обращаться к карточке исходной модели zai-org/GLM-OCR.

GPC-1 — мультимодальный классификатор общего назначения, разработанный на основе Qwen3.5-35B-A3B и дообученный с помощью адаптера для структурированных предсказаний. Он принимает текстовые инструкции и изображения, а результаты формирует в соответствии с заданными метками, числовыми диапазонами или перечнем допустимых JSON-записей. Модель предназначена для классификации категорий с оценками вероятности, ограниченных числовых оценок и координат на изображении. Она подходит для маршрутизации документов, скоринга, визуальной разметки, оценки координат объектов и согласованных решений по нескольким связанным полям. Несколько числовых полей рассчитываются за один проход; выбор среди связанных вариантов ограничен записями, перечисленными в запросе. GPC-1 использует мультимодальную архитектуру mixture of experts семейства Qwen3.5 и поставляется вместе с соответствующим адаптером. Для числовых полей применяется конечная сетка из 101 позиции, поэтому оценки имеют ограниченное разрешение; полный скелет для координат ключевых точек не гарантируется. Для запуска требуется совместимое оборудование NVIDIA с достаточным объёмом памяти для модели BF16. Код GPC-1 распространяется по Apache-2.0; базовая модель сохраняет собственную лицензию и уведомления Qwen.

Granite-4.0-Tiny-Base-Preview — базовая языковая модель команды Granite компании IBM для генерации текста и адаптации под специализированные сценарии. По карточке это гибридная MoE-модель с компонентами Mamba-2 и softmax-вниманием; метаданные указывают архитектуру GraniteMoeHybridForCausalLM и 423,3 млн параметров. Контекст составляет 131 072 токена. README также описывает вариант архитектуры с GQA, NoPE, SwiGLU и RMSNorm, однако расходится с метаданными по числу параметров и некоторым деталям архитектуры. Модель предназначена для суммаризации, классификации и извлечения информации из текста, ответов на вопросы и других задач с длинным контекстом. Она обучалась на данных из веба, кода, академических источников, книг и математических материалов; второй этап обучения включал отобранные данные и инструкции. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Выпущена в формате safetensors для Transformers и распространяется по лицензии Apache 2.0. Модель не проходила safety alignment, поэтому может генерировать проблемный или недостоверный текст; README также отмечает риск дословного воспроизведения обучающих данных. Перед практическим применением результаты следует проверять. Несмотря на слово Tiny в названии, доступные сведения о размере противоречат друг другу, поэтому точный размер по этим источникам установить нельзя.

Idefics2-8b-base — базовая мультимодальная модель от Hugging Face для обработки изображений и текста. Она принимает текстовые запросы и одно или несколько изображений, в том числе чередующиеся с текстом, и генерирует текстовые ответы. Модель предназначена для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях и документах, а также анализа диаграмм и графиков. Модель содержит 8 млрд параметров и построена на архитектуре Idefics2: визуальный кодировщик SigLIP обрабатывает изображения, после чего Perceiver pooling и проекция объединяют визуальные признаки с текстовыми эмбеддингами языковой модели Mistral. Поддерживаются изображения с разными пропорциями и разрешением до 980 × 980 пикселей; несколько изображений и текст могут подаваться в чередующемся порядке. Основной язык карточки — английский. Модель служит основой для специализированной настройки. Версия base уступает Idefics2-8b в следовании инструкциям; для готового диалогового применения авторы рекомендуют инструкционную версию, а для длинных ответов — Idefics2-8b-chatty. Генерировать изображения модель не умеет. В README также отмечена несовместимость с Transformers версий 4.41.0–4.43.3. Лицензия — Apache 2.0.

hari31416 публикует IndicOCR MLX 4-bit — 4-битную квантизированную MLX-версию распознавателя IndicBlockOCR, второй стадии модели bodhan-ai/indic-ocr. Она предназначена для распознавания текста в обрезанных областях документов и оптимизирована для инференса на Apple Silicon с Metal GPU. Архитектура основана на Qwen3.5-0.8B и использует словарь Sarvam на 151 тысячу токенов для 22 индийских письменностей, английского языка, чисел и математических обозначений. В README указаны размер весов 636 МБ, скорость 391 мс на фрагмент и CER 4,83% в сравнении с PyTorch-базой на 50 фрагментах документов из ai4bharat/indicdlp. На этом наборе WER составляет 9,68%, а точное совпадение — 60%; результаты относятся к описанной конфигурации и тестовой выборке. Репозиторий также описывает двухэтапный конвейер с отдельным детектором макета PP-DocLayoutV3, который работает через PyTorch MPS, а не MLX. Лицензия в метаданных указана как other, без уточнения условий.

InkErase — модель для удаления рукописных чернил и пометок с изображений документов. Согласно карточке, модель разработана на архитектуре U-Net++ с кодировщиком ResNet-50 и принимает RGB-изображение, возвращая RGB-изображение с удалёнными чернилами. Для обработки крупных изображений предусмотрен скрипт разбиения на фрагменты с последующим объединением результата; размеры, не кратные 32, могут потребовать дополнения или изменения размера изображения. Модель предназначена для очистки сканов и фотографий документов от рукописных пометок. Веса опубликованы в формате SafeTensors, а исходный чекпойнт PyTorch Lightning можно использовать для продолжения обучения или воспроизведения экспериментов. В метаданных Hugging Face указано дообучение microsoft/resnet-50 и лицензия Apache-2.0; README при этом указывает MIT, поэтому условия лицензирования требуют сверки с файлами репозитория.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

InternVL3.5-241B-A28B — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает зрительный модуль с языковой моделью и предназначена для диалогов по изображениям и тексту, мультимодальных рассуждений и агентных сценариев, включая взаимодействие с графическим интерфейсом. В метаданных указаны 241B параметров в названии модели и архитектура InternVLChatModel; модель работает через Transformers и хранится в формате safetensors. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной настройки разрешения визуальных токенов. В README описано разделение зрительной и языковой частей при развёртывании, чтобы повысить эффективность вывода. Модель заявлена как мультиязычная; конкретный список языков и длина контекста в предоставленных данных не приведены. Модель подходит для вопросов по изображениям, визуального и текстового рассуждения, OCR-подобных задач, понимания видео и агентного взаимодействия. Для развёртывания варианта на 235B параметров README указывает необходимость восьми GPU A100, поэтому для этой версии требуются значительные вычислительные ресурсы. Лицензия — Apache 2.0; в метаданных базовой моделью указана OpenGVLab/InternVL3_5-241B-A28B-MPO.

InternVL3.5-38B — мультимодальная модель семейства InternVL от OpenGVLab, предназначенная для диалога и рассуждений по изображениям и тексту. Она сочетает зрительный энкодер с языковой моделью; архитектура указана как плотная InternVLChatModel. Вариант на 38 млрд параметров требует двух GPU A100 для развёртывания согласно карточке модели. Модель подходит для ответов на вопросы об изображениях, визуальных рассуждений, решения математических задач по изображениям, OCR и диалоговых сценариев с визуальным контекстом. Семейство поддерживает также взаимодействие с графическим интерфейсом и embodied-сценарии. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; также упоминается раздельное развёртывание зрительной и языковой частей. Этот репозиторий является дообученной версией OpenGVLab/InternVL3_5-38B-MPO и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка описывает семейство как мультиязычное, но конкретные языки не перечисляет.

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

Netra-OCR — модель распознавания текста в строках, разработанная Darayut. Она принимает изображение одной строки и возвращает распознанный текст на кхмерском или английском языке. В репозитории есть актуальная версия с декодированием графемных кластеров и более ранняя символьная версия для совместимости; модель рассчитана на использование через Transformers и пакет netra-ocr. Модель содержит 17 млн параметров и обучена с нуля на 1,3 млн синтетических изображений строк. Архитектура объединяет сверточную сеть Squeeze-and-Excitation, Transformer-энкодер и Transformer-декодер; длинные строки разбиваются на перекрывающиеся фрагменты. Кластерное декодирование сокращает последовательности кхмерского текста примерно на 43%, а отдельная блоково-параллельная версия ускоряет декодирование примерно в 1,55 раза при том же результате. Модель предназначена для печатного текста. Она распознаёт только отдельные строки, поэтому для обработки страниц требуется предварительное обнаружение строк; пакет netra-ocr добавляет инструменты для анализа страниц и документов. Рукописный текст не входил в обучение. Лицензия — MIT.

Карточка модели Laevo/LFM2.5-Encoder-230M на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-Encoder-230M, поэтому описание составлено по ней. LFM2.5-Encoder-230M — разработанный Liquid AI компактный многоязычный двунаправленный энкодер на архитектуре LFM2 с 221,2 млн параметров. Это masked language model с головой заполнения масок, предназначенная прежде всего для дообучения под прикладные задачи обработки текста. Гибридная архитектура чередует блоки коротких gated-свёрток и grouped-query attention; модель доступна в формате safetensors и работает через Transformers с удалённым кодом модели. Энкодер подходит как основа для классификации текста и токенов, извлечения сущностей, поиска и ранжирования, оценки семантического сходства, определения тональности и естественно-языкового вывода. Заявлена поддержка 15 языков, включая русский. README указывает контекст до 8 192 токенов и возможность эффективного запуска на устройстве и в браузере через WebGPU; значение длины контекста в метаданных каталога составляет 128 000 токенов, поэтому фактический рабочий предел следует сверять с используемой конфигурацией модели. Модель ориентирована на низкие требования к памяти и задержке; авторы сообщают о хорошей производительности на длинных последовательностях и приводят сравнения с другими энкодерами. Для перечисленных прикладных задач обычно требуется дообучение: исходная модель не является готовым специализированным классификатором или поисковым ранжировщиком. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

LiquidAI/LFM2.5-VL-3B-MLX-4bit — MLX-экспорт мультимодальной vision-language модели LFM2.5-VL-3B, разработанной Liquid AI. Версия предназначена для запуска вывода на устройствах Apple Silicon и поддерживает обработку изображений вместе с текстовыми запросами. Модель построена на языковой основе LFM2.5-2.6B и оснащена визуальным энкодером SigLIP2 NaFlex объёмом 400 млн параметров. Общее количество параметров составляет около 3 млрд, используется 4-битная квантизация с размером группы 64, а размер модели — около 2,2 ГБ. Длина контекста — 32K токенов, нативное разрешение изображений — до 512×512 пикселей. Поддерживаются OCR, понимание документов, мультиязычное понимание изображений, предсказание ограничивающих рамок и вызов функций. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — сочетание визуального и языкового анализа, компактный размер, 4-битное представление и адаптация для эффективного запуска на Apple Silicon. Ограничения включают зависимость от экосистемы MLX и указанный предел нативного разрешения изображений; прочие ограничения производительности в README не описаны. Модель распространяется по лицензии LFM 1.0.

LT-NER-modernBERT — модель VSSA-SDSA для распознавания именованных сущностей в литовских текстах. Она дообучена на литовской части датасета MultiLeg на базе VSSA-SDSA/LT-MLKM-modernBERT и использует архитектуру ModernBERT с головой классификации токенов. Модель содержит 159,4 млн параметров, принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для выделения и классификации персон, организаций, мест, правовых актов, идентификационных номеров и других сущностей в юридических и официальных документах. Её можно применять для извлечения информации из правовых текстов и аналитики данных государственного и общественного секторов. В оценке на MultiLeg указаны F1 0,876 при точном совпадении и 0,908 для метрик с учётом пересечения сущностей. Модель ориентирована на литовский язык и формальный стиль: качество может снижаться на разговорной и диалектной речи. Она не предназначена для многоязычных или генеративных задач.