I.3Извлечение и структурирование данных

NuNER Zero — компактная модель для распознавания именованных сущностей без примеров, разработанная NuMind. Она использует архитектуру GLiNER и решает задачу token classification: на вход подаются текст и перечень типов сущностей, а модель находит в тексте соответствующие фрагменты. По сравнению с GLiNER модель позиционируется как способная обнаруживать сущности произвольной длины. Модель обучена на NuNER v2.0 — наборе данных, объединяющем размеченные с помощью LLM подмножества Pile и C4. Для работы с метками README требует использовать названия типов сущностей в нижнем регистре. В описании релиза сообщается о преимуществе в 3,1 процентного пункта по token-level F1 над GLiNER-large-v2.1 на бенчмарке GLiNER; это утверждение относится к оценке авторов на указанном бенчмарке. NuNER Zero предназначена для извлечения сущностей по заданным пользователем категориям, в том числе для категорий без обучающих примеров. Метаданные указывают английский язык, библиотеку GLiNER и форматы PyTorch и Safetensors. Модель распространяется по лицензии MIT.

NuTag — модель распознавания именованных сущностей, основанная на NuNER-BERT-v1.0 от NuMind и представленная в формате GGUF F16. Это encoder-only архитектура BERT с токенизацией WordPiece; модель принимает текст и размечает его токены, выделяя сущности, например людей, организации и географические места. Модель предназначена для извлечения сущностей из текстов в новостях, юридических документах и медицинских материалах, а также для локального запуска через llama.cpp, LM Studio, Ollama или Jan. Она дообучена на размеченных корпусах NER разных областей и ориентирована преимущественно на английский язык. Это не генеративная модель; точность на редких сущностях может снижаться при использовании низкобитных вариантов квантования, а составные сущности могут разбиваться токенизацией. В репозитории указан формат GGUF F16; лицензия в предоставленных данных не указана.

TitanML/olmOCR-2-7B-1025-FP8 — квантованная в формате FP8 версия модели olmOCR-2-7B-1025, разработанной командой AllenAI и созданной на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель дообучалась на наборе olmOCR-mix-1025 и дополнительно оптимизировалась с помощью GRPO reinforcement learning для работы с математическими формулами, таблицами и сложными случаями OCR. Она предназначена для распознавания содержимого документов, прежде всего PDF, включая текст, многостолбцовые страницы, колонтитулы, таблицы, диаграммы и мелкий текст. Заявленный язык — английский. Модель поддерживает обработку изображений документов и рассчитана на подачу одной страницы, отрендеренной так, чтобы её максимальный размер составлял 1288 пикселей. Для практического использования рекомендуется olmOCR toolkit, который автоматически рендерит и поворачивает страницы, повторяет неудачные попытки и предоставляет масштабируемый inference через vLLM для обработки больших объёмов документов. FP8-квантизация сохраняет сопоставимые с исходной моделью результаты olmOCR-bench и может снизить требования к ресурсам, однако README не приводит точные характеристики контекстного окна, аппаратные требования или полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache 2.0 и предназначена для исследовательского и образовательного использования с учётом требований Responsible AI от Ai2.

Otter Bi MM BERT — мультиязычная модель распознавания именованных сущностей, разработанная автором репозитория whoisjones. Она принимает текст и названия типов сущностей на естественном языке, например «person» или «chemical compound», и возвращает символьные диапазоны найденных сущностей без фиксированного набора меток и отдельной настройки под каждую схему. Модель использует биэнкодер: текст и названия типов кодируются отдельно, а представления меток можно повторно использовать для обработки корпуса с неизменным набором типов. Текстовый энкодер основан на jhu-clsp/mmBERT-base, энкодер меток — на google-bert/bert-base-multilingual-uncased. Максимальная длина последовательности составляет 1024 токена, максимальная длина диапазона — 30 токенов. Модель подходит для мультиязычного извлечения сущностей с пользовательскими типами и обработки больших корпусов, когда набор типов повторяется. Лицензия — Apache-2.0. Порог по умолчанию равен 0,2 и был выбран по макро-F1 на наборе оценки; результат чувствителен к количеству и формулировкам типов, поэтому порог может потребовать повторной калибровки на данных конкретной области. README отмечает, что модели семейства cross-encoder сильнее, тогда как bi-encoder экономичнее при многократном применении одного набора меток.

Otter-cross-mmbert — мультиязычная модель для распознавания именованных сущностей, разработанная автором whoisjones. Она принимает текст и список типов сущностей на естественном языке, например «person» или «chemical compound», и возвращает символьные диапазоны найденных фрагментов. Фиксированный набор меток и отдельное дообучение под новые типы не требуются. Модель использует архитектуру cross-encoder на базе энкодера jhu-clsp/mmBERT-base с добавленным токеном [LABEL]. Типы сущностей добавляются к тексту в префиксе и обрабатываются вместе с ним. Максимальная длина последовательности — 1024 токена, максимальная длина фрагмента — 30 токенов. Порог обнаружения по умолчанию равен 0,5; его можно менять для баланса точности и полноты. Подходит для извлечения сущностей с задаваемыми пользователем категориями в многоязычных текстах, в том числе при работе с типами из конкретной предметной области. Cross-encoder повторно кодирует текст для каждого набора меток, поэтому он может быть дороже bi-encoder при обработке больших корпусов. Длинный список меток уменьшает доступную длину текста; для предметной области может понадобиться калибровка порога. Модель распространяется по лицензии Apache-2.0.

Ovis2.6-80B-A3B — мультимодальная языковая модель семейства Ovis, построенная на архитектуре Mixture-of-Experts (MoE). По README, в ней 80 млрд параметров всего и около 3 млрд активных параметров при инференсе; модель предназначена для диалоговой работы с текстом и изображениями. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Модель рассчитана на визуальные рассуждения, распознавание текста на изображениях, понимание документов и анализ диаграмм и графиков. Она может работать с изображениями высокого разрешения до 2880×2880 и заявлена как подходящая для вопросов по длинным многостраничным документам. README описывает функцию Think with Image: модель может использовать визуальные инструменты, например обрезку и поворот изображения, чтобы повторно исследовать его фрагменты. Метаданные указывают контекст 32 768 токенов; README заявляет 64K токенов. Модель поддерживает чат и выдаёт текстовые ответы по текстовым и визуальным входам. README не перечисляет поддерживаемые естественные языки. Заявления о высокой точности относятся к описанию разработчика; в карточке также отмечено, что отсутствие нарушающего авторские права или ненадлежащего контента не гарантируется.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

scanpatch/pii-ner-nemotron — модель распознавания именованных сущностей, дообученная разработчиком scanpatch на датасете Nemotron на базе XLM-RoBERTa Large. Она извлекает из текста персональные данные: имена и их варианты, адреса и компоненты адресов, даты, номера документов, электронную почту, IP-адреса, телефоны, идентификаторы SNILS и TIN, номера автомобилей и организации. Модель предназначена для выявления и разметки чувствительных данных в текстах; её можно запускать через Transformers pipeline с задачей token-classification. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В карточке заявлены английский, русский и украинский языки. Для тестовой выборки приведены F1 0,977, точность 0,973 и полнота 0,980; качество на других данных может отличаться. Модель распространяется по лицензии Apache-2.0.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

PP-DocLayout-L — модель PaddlePaddle для обнаружения и локализации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственной выборке китайских и англоязычных статей, журналов, контрактов, книг, экзаменационных материалов и исследовательских отчётов. Модель выделяет 23 типа областей, включая заголовки, основной текст, номера страниц, аннотации, содержание, ссылки, сноски, колонтитулы, формулы, таблицы, изображения, подписи, печати и элементы алгоритмов. Она предназначена для анализа структуры документа и может использоваться как модуль конвейера PP-StructureV3 вместе с OCR и распознаванием таблиц, печатей и формул. В описанной авторами оценке на 500 изображениях документов модель получила mAP@0.5 90,4%. Лицензия — Apache-2.0. Результат оценки получен на внутреннем наборе PaddlePaddle; качество на других типах документов может отличаться. Метаданные обозначают задачу как image-to-text, однако README описывает локализацию областей макета, а не извлечение текста.

PP-DocLayoutV3 — модель обнаружения структуры документов от команды PaddlePaddle для фреймворка PaddleOCR. Она предназначена для анализа изображений документов, в том числе снятых под углом и с изогнутой поверхностью: модель предсказывает многоугольные границы элементов макета и определяет логический порядок чтения за один проход. Это помогает извлекать структуру сложных реальных документов и служит компонентом PaddleOCR-VL 1.5/1.6, GLM-OCR и Xiaomi-OCR-0. Модель распространяется в весах для PaddlePaddle; в карточке указана лицензия Apache-2.0. Метаданные относят её к сегментации изображений, а описание подчёркивает обнаружение макета документа. Карточка указывает поддержку английского и китайского языков, но не приводит ограничений по классам документов или точности.

chentong00/propositionizer-wiki-flan-t5-large — модель сегментации текста на отдельные пропозиции, опубликованная как часть работы «Dense X Retrieval: What Retrieval Granularity Should We Use?» Chen et al. (2023). Она основана на архитектуре T5 и содержит 385,2 млн параметров. На вход подаётся текст с заголовком, разделом и содержимым; модель возвращает список пропозиций в формате JSON. Модель предназначена для разбиения документов на более мелкие смысловые утверждения, например при подготовке данных для поиска и извлечения информации. Максимальная длина контекста — 512 токенов. Весы доступны в формате safetensors, лицензия — Apache-2.0.

proxima-ocr-d.markdown-post3.0.l — экспериментальная мультимодальная модель для обработки документов, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения документов и преобразует их в Markdown, HTML-Markdown и структурированные представления, восстанавливая порядок разделов, таблицы, формы, многоколоночную верстку и математические выражения. Модель предназначена для OCR, извлечения таблиц и полей форм, восстановления разметки многостраничных документов, а также вопросов и поиска по их содержимому. В README заявлена поддержка технических фрагментов, включая код и формулы LaTeX; языком карточки указан английский. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0. Это ранняя экспериментальная версия: автор предупреждает о возможных артефактах. Точность может снижаться на повреждённых сканах и мало представленных языках, а сложная ориентация блоков и нерегулярная верстка могут требовать дополнительной обработки. Для длинных последовательностей и многостраничных документов требуется значительный объём видеопамяти.

Pulpie Orange Large — модель feyninc для извлечения основного содержимого веб-страниц из HTML. Это энкодер на 2,1 млрд параметров с архитектурой EuroBERT, дообученный для классификации блоков HTML как содержательных или служебных. Модель анализирует страницу за один проход и помогает удалить навигацию, рекламу, боковые панели и футеры, сохраняя основной текст; результат можно восстановить в HTML или преобразовать в Markdown с помощью пакета pulpie. Модель рассчитана на очистку веб-страниц и подготовку текстовых корпусов, в том числе для последующего поиска и RAG. В README приведён результат 0,873 ROUGE-5 F1 на англоязычной части WebMainBench; обучение проводилось на 14 959 страницах Common Crawl с разметкой блоков. Контекст составляет до 8192 токенов. Модель описана как наиболее точная в семействе Pulpie и используется как учитель для дистилляции меньших вариантов. Лицензия — Apache-2.0. Модель ориентирована на английские веб-страницы; качество и производительность на других языках и типах HTML в предоставленных данных не охарактеризованы. Размер модели повышает требования к ресурсам по сравнению с меньшими вариантами семейства.

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

mnsims1024/Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, основанная на Qwen/Qwen2.5-VL-7B-Instruct. Разработчик базовой модели — команда Qwen. Модель предназначена для обработки изображений, текста и видео в задачах image-text-to-text, визуального анализа, распознавания текста, документов, таблиц, графиков и макетов, а также для визуального рассуждения и формирования структурированных ответов. Модель содержит 7 миллиардов параметров и использует языковую модель Qwen2.5 вместе с оптимизированным vision encoder на базе ViT. Архитектура поддерживает динамическое разрешение изображений и динамическую частоту кадров видео, включая анализ видео длительностью более часа и локализацию релевантных моментов. Модель умеет выдавать bounding boxes и точки для объектов, JSON-координаты и атрибуты, а также работать со сценариями компьютерного и мобильного управления. В метаданных README указан язык en; другие языки явно не заявлены. Сильные стороны модели — анализ документов и визуального текста, OCR, понимание графиков и таблиц, обработка длинных видео, визуальная локализация и структурированный вывод. Ограничения включают необходимость совместимых версий transformers и accelerate, а также дополнительные зависимости для эффективной загрузки видео; фактические требования к памяти и параметры GGUF-квантизации в README не указаны. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen2.5-VL-7B-Instruct-heretic — мультимодальная инструкционная модель на 7,1 млрд параметров, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и формирует текстовые ответы; семейство Qwen2.5-VL также поддерживает работу с видео, включая анализ событий и временных отрезков. Архитектура модели — плотная Qwen2.5-VL с визуальным энкодером, формат весов — safetensors. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает настройку конфигурации до 32 768 токенов и YaRN для обработки более длинного текста. Модель подходит для вопросов по изображениям, чтения текста и таблиц в документах, разбора диаграмм и визуальной локализации объектов с выводом координат. Также её можно применять для анализа видео и формирования структурированных ответов. В README приведено сравнение с базовой моделью: частота отказов в указанной проверке снизилась со 100 из 100 до 5 из 100; это характеристика конкретного теста, а не гарантия поведения на всех запросах. Модель помечена как uncensored, поэтому может отвечать на запросы, от которых исходная модель отказывается. Лицензия — Apache-2.0.

MichaelAnthony/qwen-3.5-0.8b-Hedgehog-MLX — FP16-экспорт модели для MLX на архитектуре Qwen 3.5. Это производная версия дообученного чекпойнта qwen-3.5-0.8b-Hedgehog, созданного для извлечения полей из документов в SimpleRAG. Компактная плотная модель содержит 581,4 млн параметров, поддерживает контекст до 262 144 токенов и работает с текстом; экспорт адаптирует структуру весов и тензоров для загрузчика mlx-lm. Модель предназначена для извлечения заданных полей из предоставленных документов и выдачи результата в указанной JSON-структуре с использованием найденных фрагментов документов. README рекомендует отключать режим рассуждений, использовать температуру 0 и явно задавать пути полей и типы значений. В описанной оценке версия Q8 набрала 71 балл на BenchLocal DataExtract-15; среди известных слабых мест — записи с несколькими сущностями и синтетические сложные счета-фактуры. Для запуска нужен MLX, а проверка инференса и производных квантованных сборок на Apple Silicon отдельно необходима. Лицензия в предоставленных данных не указана.

neuralnetworker разработала Qwen3.5-9B Korean Enterprise Document OCR — дообученную версию Qwen3.5-9B для чтения и структурирования корейских корпоративных документов. Модель имеет плотную архитектуру Qwen3.5ForConditionalGeneration, содержит 7,2 млрд параметров и использует формат Safetensors. Контекстное окно составляет 262 144 токена. Модель предназначена для image-to-text задач: корректировки результатов OCR, преобразования документов в Markdown, восстановления таблиц и форм, описания графиков и извлечения полей в JSON. Её рекомендуют использовать после OCR-движка, который извлекает текст из изображений или PDF; модель очищает и структурирует полученный материал. Дообучение выполнено на 307 272 примерах документов, преимущественно для корейских корпоративных сценариев; также заявлена работа с англоязычными и смешанными корейско-английскими документами. Модель может ошибаться на низкокачественных сканах, рукописном тексте, печатях, перекошенных страницах и сложных таблицах с объединёнными ячейками. Описания графиков требуют опоры на содержимое документа, иначе возможна чрезмерная интерпретация. В критически важных бизнес-процессах результат следует проверять человеком. Лицензия в предоставленных данных не указана.

Qwen3-VL-32B-Instruct — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen; этот репозиторий содержит её веса в формате safetensors. Модель принимает текст и изображения, а также предназначена для анализа видео и диалога с визуальными данными. Вариант Instruct поддерживает чат и интерфейс вызова инструментов. Модель рассчитана на визуальные вопросы и ответы, OCR и разбор структуры документов, понимание видео, пространственное рассуждение, STEM-задачи и генерацию кода интерфейсов по изображениям или видео. Заявлена длина контекста 256 тысяч токенов с возможностью расширения до 1 миллиона. Для распознавания текста заявлена поддержка 32 языков, но их перечень в предоставленных данных отсутствует. К архитектурным особенностям относятся Interleaved-MRoPE для пространственных и временных позиций и DeepStack для объединения признаков ViT. Модель распространяется по лицензии Apache-2.0. Заявленные возможности описаны в карточке; независимые результаты оценки качества в предоставленных данных не приведены.

unsloth/Qwen3-VL-32B-Thinking — репозиторий весов плотной мультимодальной модели Qwen3-VL, подготовленный Unsloth на основе Qwen/Qwen3-VL-32B-Thinking. Это версия Thinking для диалогов и рассуждений по тексту и визуальным данным; модель предназначена для вопросов об изображениях и видео, OCR, визуального анализа и выполнения задач через интерфейс агента с инструментами. Модель принимает текст, изображения и видео, а выдаёт текст. В README заявлены контекст 256K токенов с возможностью расширения до 1M, понимание пространственных отношений, временных меток и событий в видео, разбор структуры длинных документов и OCR на 32 языках. Архитектура относится к семейству Qwen3-VL и реализована как Qwen3VLForConditionalGeneration; файлы представлены в safetensors. Репозиторий включает исправления chat template от Unsloth. Модель подходит для визуального анализа, распознавания текста и рассуждений по изображениям и видео, а также для взаимодействия с графическими интерфейсами и инструментами. Указана лицензия Apache-2.0. README описывает возможности семейства Qwen3-VL; отдельные результаты бенчмарков для этого репозитория не приведены.

Карточка модели norvek/Qwen3-VL-8B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-8B-Instruct, поэтому описание составлено по ней. Qwen3-VL-8B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это плотная модель с 8 млрд параметров для диалога и генерации текста по текстовым и визуальным входам; репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Модель предназначена для анализа изображений и видео, визуальных вопросов и ответов, распознавания текста и структуры документов, пространственного рассуждения, STEM-задач и управления интерфейсами через инструменты. Она также генерирует код и разметку Draw.io, HTML, CSS и JavaScript по изображениям или видео. Заявлены контекст 256K токенов с возможностью расширения до 1M, временная привязка событий в видео и OCR на 32 языках. Модель объединяет текстовое и визуальное понимание, поддерживает агентные сценарии и вызов инструментов. Карточка описывает возможности семейства Qwen3-VL; конкретные показатели качества для версии 8B в предоставленном README не приведены.

Карточка модели xg3s/Qwen3-VL-8B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-8B-Instruct, поэтому описание составлено по ней. Qwen3-VL-8B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Это плотная модель с 8 млрд параметров для диалога и генерации текста по текстовым и визуальным входам; репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. Модель предназначена для анализа изображений и видео, визуальных вопросов и ответов, распознавания текста и структуры документов, пространственного рассуждения, STEM-задач и управления интерфейсами через инструменты. Она также генерирует код и разметку Draw.io, HTML, CSS и JavaScript по изображениям или видео. Заявлены контекст 256K токенов с возможностью расширения до 1M, временная привязка событий в видео и OCR на 32 языках. Модель объединяет текстовое и визуальное понимание, поддерживает агентные сценарии и вызов инструментов. Карточка описывает возможности семейства Qwen3-VL; конкретные показатели качества для версии 8B в предоставленном README не приведены.

SeeWye/qwen_finetune1_16bit — дообученная методом SFT модель семейства Qwen3.5, разработанная SeeWye на базе SeeWye/qwen3_5_TM_ocr_merged2. Модель принимает текст и изображения и формирует текстовые ответы; карточка указывает на приблизительное выравнивание вывода под заданную схему, а метаданные отмечают возможности vision и chat. Модель предназначена для сценариев, где требуется разбирать изображения и выдавать ответ в структурированном формате, например при извлечении сведений из документов. Обучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса safetensors; лицензия — Apache 2.0. Карточка характеризует выравнивание схемы как приблизительное, поэтому корректность и строгое соответствие формату следует проверять на целевых данных. Размер модели и длина контекста в предоставленных сведениях не приведены.

Rapido NER + Entity Embedding — модель распознавания именованных сущностей и получения их векторных представлений, разработанная автором репозитория pierre-tassel. Она дообучена на базе многоязычного энкодера Alibaba-NLP/gte-multilingual-mlm-base и объединяет классификационную голову для разметки токенов, CRF-декодирование с ограничениями BIO, пулинг упоминаний с помощью внимания и проекционные слои с учётом типа сущности. Модель предназначена для многоязычного NER, а также для кластеризации, поиска и связывания упоминаний сущностей. Для выбранного упоминания она может выдавать L2-нормализованный вектор размерности 768; предусмотрено разделение представлений по типам PER, ORG и LOC. Контекст модели составляет до 4096 токенов, входная модальность — текст. В README указано обучение на корпусе из 55 языков; метаданные перечисляют поддерживаемые языки, включая русский. Модель распространяется по лицензии Apache 2.0. Качество может зависеть от языка и предметной области; заявленные возможности не гарантируют одинаковую точность на любых текстах. Для получения векторов упоминаний требуется передать mention_mask.

SegeeMak/resume-ner-xlm — модель для распознавания именованных сущностей в резюме, дообученная на базе FacebookAI/xlm-roberta-base. Она использует архитектуру XLM-RoBERTa для классификации токенов и содержит 305,2 млн параметров; максимальная длина контекста составляет 514 токенов. По метрикам оценки модель выделяет сведения о сертификатах, языках, профессиональных навыках, мягких навыках и технических навыках. В README приведены общая точность F1 0,8201, precision 0,8220 и recall 0,8182. Модель предназначена для извлечения структурированных данных из резюме, например навыков и языков кандидата. Данные обучения и их языковой состав в карточке не описаны, поэтому поддержку конкретных языков по этим сведениям установить нельзя. Модель распространяется по лицензии MIT.

Это преобразованная для RKNN модель визуально-языкового типа на основе OpenDataLab/MinerU2.5-Pro-2604-1.2B, подготовленная RKNNAI для запуска на NPU чипов RK1820 и RK1828. Она предназначена для разбора документов по одному изображению: распознаёт структуру страницы, текст, формулы и таблицы и выдаёт результат в текстовом формате. Исходная модель содержит 1,2 млрд параметров; конфигурации используют квантизацию w4a16 для визуальной и языковой частей и контекст до 8192 токенов. Доступны варианты с разрешением изображения 448×448 и 1036×1036, причём второй рассчитан только на RK1828. Модель подходит для встраивания распознавания документов в приложения на совместимых устройствах RK182x. Она принимает изображение и текстовый запрос и формирует текстовый ответ. Для работы нужны соответствующие RKNN Runtime и драйвер, а для обработки PDF приложению необходимо самостоятельно реализовать полный конвейер разбора. Лицензия исходных весов — Apache License 2.0.

Eka-Korn выпустил модель распознавания именованных сущностей на основе RoBERTa, дообученную на blinoff/roberta-base-russian-v0. Она выполняет токенную классификацию: каждому токену текста присваивается метка, что подходит для извлечения сущностей из русскоязычных текстов. В карточке приведены результаты на наборе оценки: F1 0,9570, точность 0,9483, полнота 0,9658 и accuracy 0,9923. Архитектура — RobertaForTokenClassification, размер — 151,7 млн параметров, длина контекста — 514 токенов; модель использует библиотеку Transformers и формат safetensors. Датасет обучения и набор распознаваемых типов сущностей не описаны, поэтому качество для конкретных категорий и предметных областей требует отдельной проверки. Лицензия в предоставленных данных не указана.

Это модель распознавания именованных сущностей на базе RoBERTa-large, дообученная разработчиками T-NER на наборе данных CoNLL-2003. Она размечает токены в тексте, выделяя упоминания людей, организаций, мест и другие сущности. Модель подходит для извлечения сущностей из новостей и других текстов на английском языке, а также для построения конвейеров NER через библиотеку T-NER. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и поддерживает контекст до 514 токенов. На тестовой выборке CoNLL-2003 указана микро F1 0,925; лучший результат среди приведённых категорий — для персон, слабее всего модель справляется с категорией «прочее». Для запуска рекомендуется библиотека T-NER: при использовании Transformers слой CRF не поддерживается. Лицензия в доступных данных не указана.