I.3Извлечение и структурирование данных

quinex-context-v0-783M — модель Jülich Systems Analysis, дообученная на базе FLAN-T5 Large для извлечения контекста измерений количественных величин из текста. Она использует архитектуру T5 encoder-decoder и многошаговые вопросы и ответы, чтобы определить измеряемое свойство, сущность, временные и пространственные рамки, источник, метод и другие условия измерения. Модель предназначена для работы вместе с отдельными моделями идентификации количественных величин и может применяться к научным и техническим текстам. В карточке приведены результаты оценки на тестовом наборе, включая F1 88,29 для общего извлечения и оценки на статьях из нескольких научных областей. Метаданные указывают 385,2 млн параметров, контекст до 512 токенов, поддержку английского языка и формат Safetensors. В README указано другое число параметров — 783 млн. Лицензия Apache-2.0.

Qwen2.5-0.5B-Instruct-AWQ — компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации текста, диалоговых приложений, следования инструкциям, обработки структурированных данных и создания структурированных ответов, включая JSON, а также для задач программирования и математики. Модель поддерживает более 29 языков, включая русский, английский, китайский, французский, испанский, немецкий, японский и корейский. Модель построена по архитектуре causal language model на базе Transformer с RoPE, SwiGLU, RMSNorm, смещениями в Attention QKV и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд приходятся на неэмбеддинговые параметры, 24 слоя и механизм GQA с 14 головами для Q и 2 для KV. Контекст составляет до 32 768 токенов, максимальная длина генерации — 8192 токена. AWQ-квантизация до 4 бит снижает требования к памяти и подходит для локального и ресурсно-ограниченного запуска, однако может приводить к некоторой потере качества по сравнению с исходной версией в формате bfloat16. README не содержит конкретных результатов бенчмарков, требований к объёму GPU-памяти или данных о пропускной способности. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется актуальная версия библиотеки transformers; версии ниже 4.37.0 могут быть несовместимы.

RedHatAI/Qwen2.5-VL-3B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, подготовленная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; заявленный язык — английский. Релиз модели датирован 24 февраля 2025 года. Модель предназначена для задач визуального вопросно-ответного взаимодействия, анализа документов и диаграмм, распознавания содержимого изображений и решения мультимодальных задач. Она имеет архитектуру Qwen2.5-VL-3B-Instruct и около 3 миллиардов параметров, использует FP8-квантизацию весов и активаций и оптимизирована для инференса с vLLM версии 0.5.2 и новее. В примере развертывания используется контекст до 4096 токенов, однако это значение относится к конфигурации запуска, а не обязательно к предельной длине контекста модели. К сильным сторонам относятся снижение требований к памяти и эффективное выполнение инференса при сохранении качества, близкого к исходной модели: в приведённых тестах средний результат FP8-версии составил 69,67 против 69,28 у исходной модели. Оценивались задачи MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимого стека vLLM и FP8-инфраструктуры, а также отсутствие в README подробных сведений о поддерживаемых языках помимо английского и о максимальном контексте. Модель распространяется по лицензии Apache 2.0.

ionos/Qwen3.8-27B-GPTQ-Int4 — неофициальная 4-битная GPTQ-квантизация мультимодальной модели Qwen/Qwen3.8-27B, созданная сообществом с использованием LLM Compressor. Модель предназначена для работы с текстом и изображениями: она поддерживает понимание документов, визуальное восприятие и рассуждения, математические задачи по изображениям, работу с инструментами и выполнение инструкций. В README явно приведены результаты для английского и немецкого языков; полный список поддерживаемых языков и размер контекстного окна не указан. Используется схема W4A16 с группами по 128 весов и симметричной GPTQ-квантизацией. Большинство линейных модулей языковой части модели в 64 слоях квантизированы до 4 бит, тогда как vision tower, эмбеддинги, lm_head и некоторые небольшие чувствительные компоненты сохранены в BF16. Архитектура, токенизатор, chat template и конфигурация процессора не изменены относительно базовой модели, а объём весов составляет примерно треть от версии BF16. Модель рассчитана на запуск, в частности, через vLLM; для неё требуется свежая версия transformers. По приведённым сравнениям модель в целом сохраняет качество базовой версии в задачах понимания документов, визуального рассуждения и английских знаний. Отдельно отмечено снижение результата на немецком языке примерно на 3 процентных пункта, поэтому немецкоязычные сценарии требуют собственной проверки. Результаты для tool calling и instruction following близки к базовой модели, но их абсолютные значения в тесте снижены особенностями измерения с включённым reasoning. Для табличного вывода рекомендуется использовать JSON-схему или грамматику с последующей валидацией. Модель распространяется по лицензии Apache-2.0, однако сама квантизация не является официальной и не проверялась командой Qwen или Alibaba Cloud.

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

noctrex публикует GGUF-версии модели Qwen3-VL-30B-A3B-Instruct — мультимодальной модели Qwen с архитектурой Vision-Language для диалогового анализа изображений и видео. Это вариант с контекстом до 1 млн токенов, к которому применена imatrix; файлы доступны в форматах GGUF BF16, F16 и F32. Для запуска автор рекомендует использовать актуальную версию llama.cpp. Модель предназначена для диалогов по изображениям и видео, визуальных вопросов и ответов, OCR и пространственных рассуждений. Она принимает текст и изображения и выдаёт текст; метаданные также указывают поддержку vision и chat. Языковые характеристики в предоставленных данных не описаны. Это квантизированное представление базовой Qwen3-VL-30B-A3B-Instruct, поэтому для точного применения следует учитывать свойства исходной модели и выбранного файла GGUF. Лицензия в доступных данных не указана.

coder3101/Qwen3-VL-32B-Instruct-heretic-v2 — изменённая версия мультимодальной модели Qwen3-VL-32B-Instruct от Qwen. По README, модель прошла abliteration: в приведённом сравнении доля отказов снизилась с 99 до 9 из 100, а KL-дивергенция относительно исходной модели составляет 0,0977. Метаданные указывают плотную архитектуру Qwen3-VL с 32 млрд параметров и формат safetensors. Модель принимает текст и изображения и предназначена для диалога с визуальным контекстом, распознавания текста на изображениях, анализа видео и визуального рассуждения. README базовой модели заявляет контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; это характеристики семейства, а не отдельные результаты оценки данной модификации. В карточке нет отдельного описания её качества по задачам. Модель выпущена под лицензией Apache-2.0. Снижение числа отказов может означать ослабление встроенных ограничений безопасности; приведённая таблица не описывает методику оценки и не позволяет судить о поведении во всех сценариях.

llmfan46/Qwen3-VL-32B-Instruct-uncensored-heretic — версия Qwen3-VL-32B-Instruct, изменённая независимым автором методом abliteration для снижения частоты отказов. Это плотная мультимодальная модель на 32 млрд параметров с архитектурой Qwen3-VL, предназначенная для диалога по тексту и изображениям, визуального анализа, OCR и рассуждений по визуальным данным. В карточке описана поддержка видео и контекст до 256 тысяч токенов базовой модели; расширение до миллиона токенов заявлено для семейства Qwen3-VL. Автор приводит результаты PIQA и MMLU: на PIQA вариант набрал 93,31% против 93,09% у исходной модели, а на MMLU — 81,44% против 82,44%. В README также указаны 15 отказов из 100 тестовых запросов против 99 у оригинала. Эти результаты относятся к тестам автора и не гарантируют качество на других задачах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

coder3101/Qwen3-VL-8B-Instruct-heretic — производная версия Qwen3-VL-8B-Instruct, созданная методом abliteration для сокращения отказов на запросы. По данным карточки, доля отказов в указанной проверке снизилась со 100 из 100 у исходной модели до 6 из 100; KL-дивергенция составила 0,1738. Модель предназначена для диалога с текстом и изображениями, визуального анализа и рассуждений. Базовая архитектура Qwen3-VL поддерживает анализ видео, OCR, пространственные задачи и контекст до 256 тыс. токенов с возможностью расширения до 1 млн, однако README описывает эти возможности исходной модели, а не отдельно проверенные характеристики этой версии.

prithivMLmods/Qwen3-VL-8B-Thinking-abliterated-v1-GGUF — GGUF-квантизированная версия 8-миллиардной vision-language модели Qwen3-VL-8B-Thinking, разработанная prithivMLmods на базе модели Alibaba. Она предназначена для мультимодального понимания и генерации текста по изображениям и видео, включая описание сцен, визуальное рассуждение, анализ сложного или чувствительного контента, работу с художественными, техническими и абстрактными материалами, а также задачи OCR и визуальных датасетов. Модель ориентирована преимущественно на английский язык, при этом заявлена поддержка OCR на 32 языках и адаптация к многоязычным запросам. Модель поддерживает различные соотношения сторон и разрешения, видео, сложные макеты, пространственное восприятие, длинный контекст более 256K токенов и механизм Interleaved-MRoPE. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и F16; размеры файлов составляют примерно от 3,28 до 16,4 ГБ, а для мультимодального проектора требуются отдельные файлы mmproj. Для запуска в README указаны Transformers с GPU и ориентировочная потребность в 16–24 ГБ видеопамяти; также заявлена совместимость с llama.cpp. Сильными сторонами являются мультимодальное рассуждение, анализ изображений и видео, OCR, пространственное понимание и большой контекст. Abliterated-вариант позиционируется как менее ограниченный стандартными фильтрами, поэтому может генерировать откровенный или потенциально небезопасный контент и требует осторожного применения в продуктивных системах. Модель распространяется по лицензии Apache-2.0.

Qwen-encoder-1.5B-i1-GGUF — квантованная версия текстовой encoder-модели knowledgator/Qwen-encoder-1.5B, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре Qwen и имеет около 1,5 млрд параметров. В карточке указаны английский язык и обучение на данных Wikimedia Wikipedia. Модель предназначена для задач, где нужны представления текста и анализ содержимого, включая классификацию, извлечение именованных сущностей (NER) и question answering. Как encoder она ориентирована на обработку входного текста, а не на генерацию диалоговых ответов. Максимальный размер контекста, поддерживаемые дополнительные модальности и подробные результаты оценки в README не указаны. Основное преимущество — доступность в большом наборе квантованных вариантов GGUF размером примерно от 0,5 до 1,4 ГБ, что упрощает запуск на устройствах с ограниченной памятью. При этом степень квантования влияет на качество: наиболее компактные варианты отмечены как имеющие низкое качество, а для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M. Лицензия модели — Apache-2.0.

deepset/roberta-base-squad2-distilled — англоязычная модель для извлечения ответов на вопросы, разработанная deepset. Она построена на архитектуре RoBERTa и дообучена с помощью дистилляции: учительской моделью служила deepset/roberta-large-squad2. В модели 151,8 млн параметров, она принимает вопрос и текстовый фрагмент и извлекает из него ответ; обучение проводилось на SQuAD 2.0. Контекст ограничен 514 токенами. Модель подходит для поиска ответов в документах и построения конвейеров extractive question answering, в том числе с Haystack. Она компактнее учительской модели за счёт дистилляции и обучена распознавать случаи без ответа. Поддерживается английский язык. Распространяется по лицензии MIT.

roberta-finetuned-last-company — дообученная модель RoBERTa от автора tanishq1508 на базе deepset/roberta-base-squad2. Она предназначена для ответов на вопросы по предоставленному тексту и может определять, когда в контексте нет ответа. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и веса PyTorch; максимальная длина контекста — 514 токенов. Базовая модель ориентирована на английский язык. Данные для дообучения, подробные результаты оценки и ограничения в карточке не описаны. Лицензия — CC BY 4.0.

BSC-LT разработала модель на архитектуре RoBERTa для выявления чувствительных сущностей в пользовательских текстах на испанском и каталанском языках. Она размечает последовательности токенов, выделяя организации (ORG), людей (PER) и места (LOC), чтобы использовать эти данные для последующей анонимизации. Модель рассчитана на работу в составе AnonymizationPipeline от BSC, но её можно применять и отдельно. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В README приведены оценки ENTS_F 90,03, ENTS_P 89,7 и ENTS_R 90,3. Распространяется по лицензии MIT.

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке. В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов. Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

Community-1 — конвейер диаризации речи, опубликованный командой pyannote. Он принимает аудио и определяет, кто и в какие моменты говорит, включая число говорящих и их временные интервалы. Входное аудио приводится к моно и частоте 16 кГц; конвейер pyannote.audio можно запускать локально, в том числе офлайн после загрузки модели, или использовать через облачный сервис pyannoteAI. Модель предназначена для разметки разговоров и записей с несколькими участниками. Она предоставляет обычную и эксклюзивную диаризацию: последняя упрощает сопоставление интервалов говорящих с временными метками транскрипции. В README сообщается об улучшении показателей диаризации по сравнению с предыдущим конвейером pyannote 3.1 на ряде академических тестов. Для доступа нужно принять условия использования на Hugging Face и получить токен. Лицензия репозитория — CC BY 4.0.

Splinter-base-finetuned-squad — модель Anas Awadalla для ответов на вопросы по контексту. Она дообучена на датасете SQuAD на базе tau/splinter-base-qass и использует архитектуру Splinter с плотными слоями; размер составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения ответов из предоставленного текста: пользователь задаёт вопрос и передаёт контекст, а модель находит в нём ответ. Она подходит для систем поиска ответов по документам и для обработки вопросов по материалам, похожим на SQuAD. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

ThaiTrOCR — модель оптического распознавания символов, разработанная Suchut Sapsathien и Jillaphat Jaroenkantasima. Она преобразует изображения строк рукописного текста на тайском и английском языках в текст и может применяться для распознавания рукописных записей и текста в PDF-документах. Модель дообучена на базе TrOCR Base Handwritten. В её архитектуре используется энкодер Vision Transformer и декодер Electra Small, обученный на тайском корпусе; модель реализована как VisionEncoderDecoderModel. В README приведены результаты сравнения с EasyOCR и Tesseract на нескольких типах документов, однако тестовая выборка содержит всего 104 изображения, поэтому результаты могут быть недостаточно обобщающими. Модель распространяется по лицензии Apache-2.0. Карточка не приводит размер модели или длину контекста.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

MusaNyaks/trocr-barbados-fold3 — дообученная модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию. В README указано значение Loss 0.9763 на оценочном наборе; датасет описан как неизвестный. Модель подходит для распознавания рукописных строк на изображениях в сценариях, связанных с данными, на которых её дообучили. Карточка не раскрывает сведения о составе данных или более широких оценках качества. Лицензия — MIT.

syubraj/TrOCR_Nepali — модель оптического распознавания символов на основе архитектуры VisionEncoderDecoder и семейства TrOCR. Она дообучена для чтения текста на непальском языке, записанного письмом деванагари, и преобразует изображения с текстом в текстовую последовательность. Для обработки изображений используется TrOCRProcessor с извлекателем признаков ViT и токенизатором; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель подходит для распознавания непальского текста на изображениях, например на сканах и фотографиях документов. В карточке не приведены сведения о точности, допустимом качестве изображений или лицензии, поэтому их нельзя оценить по доступным данным.

TyRoberta — предварительно обученная языковая модель семейства RoBERTa для турецкого языка, разработанная Trendyol. Её можно использовать как основу для извлечения признаков и адаптировать к задачам понимания текста, включая классификацию и распознавание именованных сущностей. Модель содержит 136,3 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В репозитории опубликованы веса Safetensors; для работы указана библиотека Transformers. Лицензия — Apache 2.0.

VARCO-VISION-2.0-1.7B — разработанная NCSOFT мультимодальная модель для диалогов по изображениям и тексту. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2-so400m-patch16-384 с языковой моделью Qwen3-1.7B; размер языковой модели — 1,7 млрд параметров. Модель принимает несколько изображений в одном запросе и отвечает на вопросы о документах, таблицах, диаграммах и других визуальных материалах. Модель ориентирована прежде всего на корейский и английский языки, с особым вниманием к корейскому языку и культурному контексту. Она подходит для повседневных вопросов и ответов, суммаризации визуальной информации, распознавания текста на изображениях и локализации текстовых областей с помощью рамок. Компактная версия предназначена в том числе для запуска на смартфонах и ПК. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для работы рекомендуется Transformers версии 4.53.1 или новее, особенно для поддержки нескольких изображений.

Z-Jafari/xlm-roberta-base-finetuned-DS_Q_NoH — дообученная Z-Jafari модель FacebookAI/xlm-roberta-base для ответов на вопросы. Она использует архитектуру XLM-RoBERTa с плотной сетью из 305,2 млн параметров и принимает текст, чтобы находить ответ в предоставленном контексте. Модель подходит для многоязычных сценариев вопросно-ответного поиска; нативный контекст составляет 514 токенов. В README приведены результаты оценки: exact match 76,3 и F1 79,36, однако набор данных и подробности методики не раскрыты. Модель распространяется в формате safetensors по лицензии MIT. Базовая XLM-RoBERTa предназначена для построения представлений текста на многих языках.

AlexKay/xlm-roberta-large-qa-multilingual-finedtuned-ru — модель XLM-RoBERTa Large, дообученная для ответов на вопросы на наборах SQuAD и SberQuAD. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из предоставленного текста, в том числе для русскоязычных сценариев. Архитектура — плотный трансформер XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 514 токенов. В карточке указаны результаты на SberQuAD: F1 84,3 и exact match 65,3. Модель подходит для русских и английских задач вопросно-ответного поиска по текстам. Лицензия — Apache-2.0. Её ответы ограничены сведениями в переданном контексте, а длина обрабатываемого текста ограничена контекстом модели.

arnabdhar/YOLOv8-nano-aadhar-card — дообученная модель обнаружения объектов на базе YOLOv8 nano, опубликованная пользователем arnabdhar. Она находит на изображениях карт Aadhaar области с номером Aadhaar, датой рождения, полом, именем и адресом, выдавая рамки и метки классов; обнаруженные области текста можно передать следующему этапу для распознавания или извлечения данных. Модель предназначена для автоматизации ввода данных, проверки документов и выявления подделок в сценариях обработки карт Aadhaar. Модель реализована на PyTorch и рассчитана на обработку изображений. В README указано дообучение на наборе данных из Roboflow Universe. Лицензия репозитория — Apache-2.0. Карточка не описывает OCR-распознавание содержимого внутри найденных областей, поэтому для получения текстовых значений может потребоваться отдельный распознаватель.

360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

Это модель ответов на вопросы, созданная дообучением albert-base-v2 на наборе данных SQuAD. Она принимает вопрос и текстовый фрагмент и предназначена для извлечения ответа из этого фрагмента. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и текстам на английском языке, близким по стилю к SQuAD. В карточке приведены результаты оценки на тестовой выборке SQuAD, включая eval_loss 1.0191. Использование регулируется лицензией Apache-2.0.

answer-finder-v1-S-en — англоязычная модель для поиска ответов, разработанная Sinequa. Она принимает вопрос и текстовый фрагмент и предсказывает позиции начала и конца ответа в тексте; модель относится к архитектуре BERT и использует microsoft/MiniLM-L12-H384-uncased в качестве базовой модели. В карточке указаны 33 млн параметров, а метаданные каталога — около 40 млн; контекст ограничен 512 токенами. Модель не чувствительна к регистру и акцентам и обучалась на SQuAD v2. На SQuAD v2 указаны F1 79,4 при оценке через Hugging Face и 79,5 через Haystack. Карточка приводит время инференса и расход GPU-памяти для отдельных конфигураций, но результаты зависят от оборудования и точности вычислений. Для использования требуется Sinequa версии 11.10.0 или выше; для FP16 и GPU с CUDA compute capability 8.9+ нужна версия 11.11.0 или выше. Лицензия в предоставленных данных не указана.

arabic_PP-OCRv3_mobile_rec — компактная модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR на основе PP-OCRv3_mobile_rec и обученная для распознавания арабского алфавита. Она принимает изображение с текстовой строкой и возвращает распознанный текст; модель предназначена для использования как модуль распознавания в OCR-сценариях на базе PaddleOCR. Модель подходит для извлечения текста из изображений, когда строки уже выделены или их выделяет отдельный модуль обнаружения текста. Полный конвейер PP-OCRv3 может дополнительно выполнять коррекцию ориентации и деформации изображения, обнаружение строк и распознавание. В карточке приведены метрики точности, где строка считается ошибочной при неправильном распознавании любого символа, включая пунктуацию. Модель распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR. Доступные сведения указывают на поддержку арабского алфавита; компактная мобильная версия предназначена для распознавания строк, а не для полного OCR-конвейера сама по себе.