I.3Извлечение и структурирование данных

NVIDIA Nemotron Parse v1.1 TC — модель NVIDIA для понимания структуры документов и извлечения текста и таблиц из изображений страниц PDF и PPT. Она формирует упорядоченные по ходу чтения структурированные результаты: текст, семантические классы элементов и ограничивающие рамки. Модель предназначена для построения поисковых и кураторских систем, подготовки данных для обучения LLM и VLM, а также повышения точности конвейеров понимания документов. Архитектура включает vision-encoder-decoder на базе ViT-H, адаптер с 1D-свёртками и нормализацией и декодер mBART из 10 блоков. Сжатие представления зрения сокращает последовательность с 13 184 до 833 токенов; по README, это даёт ускорение на 20% относительно Nemotron Parse v1.1. Модель также сохраняет порядок таблиц, подписей, изображений и сносок. Для работы с таблицами и текстом предусмотрена постобработка в форматах LaTeX, HTML, Markdown или обычного текста. Модель рассчитана на коммерческое использование; лицензия репозитория указана как other, а лицензия токенизатора — CC-BY-4.0. В описании не приведены число параметров и перечень поддерживаемых естественных языков. Качество извлечения может зависеть от сложности и вариативности макета документа; конкретные ограничения и метрики качества в карточке не описаны.

PaddleOCR-VL-1.5 — компактная мультимодальная модель PaddlePaddle для разбора документов по изображениям. Она сочетает зрительную обработку и генерацию текста; в метаданных указано 318,2 млн параметров, а контекст составляет 131 072 токена. Модель поддерживает распознавание текста и его расположение на изображении, в том числе в таблицах, формулах, диаграммах и печатях. Модель предназначена для извлечения структурированного содержимого из документов, включая многостраничные материалы и изображения с перекосом, деформацией, бликами и неравномерным освещением. README сообщает о результатах 94,5% на OmniDocBench v1.5 и расширенной поддержке редких символов, древних текстов, тибетского письма и бенгальского языка. По карточке доступны английский, китайский и многоязычный режимы; лицензия — Apache 2.0. Заявленные возможности включают слияние таблиц и распознавание заголовков между страницами, а также локализацию строк текста и распознавание печатей. Результаты бенчмарков приведены разработчиками и сами по себе не гарантируют качество на конкретных документах. Для запуска README описывает PaddleOCR и Transformers; пример Transformers использует bfloat16 и FlashAttention 2.

Это преобразованная в формат MLX версия PaddleOCR-VL-1.5 от mlx-community, основанная на PaddlePaddle/PaddleOCR-VL-1.5. Модель построена на архитектуре PaddleOCR-VL для генерации текста по изображению и дообучена на базе baidu/ERNIE-4.5-0.3B-Paddle. В метаданных указаны 318,2 млн параметров и контекст до 131 072 токенов. Модель предназначена для OCR и разбора содержимого документов: извлечения текста и структурированных сведений с изображений, включая таблицы, формулы, графики и печати. Метаданные отмечают английский, китайский и многоязычный режимы; README указывает на использование через mlx-vlm. Репозиторий распространяется по лицензии Apache-2.0.

PaddleOCR-VL-1.6 — компактная модель для разбора документов от команды PaddlePaddle, дообученная на основе PaddleOCR-VL-1.5. В метаданных указаны архитектура PaddleOCRVLForConditionalGeneration и 318,2 млн параметров; модель принимает изображения документов и формирует текстовый разбор. Для запуска предусмотрена библиотека PaddleOCR, а README также описывает совместимость архитектуры с версией 1.5. Модель предназначена для распознавания и структурирования содержимого документов: текста, таблиц, формул, диаграмм, печатей и штампов. README сообщает об улучшениях для китайских древних документов, редких китайских символов и распознавания текста в различных областях изображения, а также о результате 96,33% на OmniDocBench v1.6. Метаданные указывают контекст 131 072 токена и языки английский, китайский и многоязычную поддержку. Модель распространяется по лицензии Apache-2.0. Показатели бенчмарков приведены в README; фактическое качество зависит от типа документа и условий распознавания. Для работы с моделью описаны зависимости PaddlePaddle и PaddleOCR.

Qianfan-OCR — мультимодальная vision-language модель для анализа документов, разработанная командой Baidu Qianfan. Это end-to-end модель с 4 млрд параметров, предназначенная для преобразования изображений документов в Markdown и выполнения задач OCR, анализа структуры и расположения элементов, извлечения таблиц, понимания графиков, ответов на вопросы по документам и извлечения ключевой информации. Представленная версия распространяется в формате GGUF и была создана с использованием llama.cpp. Архитектура включает vision-энкодер Qianfan-ViT с 24 Transformer-слоями и поддержкой изображений разрешением до 4K, языковую модель Qwen3-4B с контекстом 32K токенов, расширяемым до 131K, а также двухслойный cross-modal adapter. Модель поддерживает OCR на 192 языках. Опциональный режим Layout-as-Thought позволяет сначала сформировать структурированное описание макета с ограничивающими рамками, типами элементов и порядком чтения, что полезно для сложных и неоднородных страниц; для простых документов этот режим можно отключать ради снижения задержки. Сильными сторонами модели являются единый подход к распознаванию и пониманию документов, поддержка сложной структуры, таблиц и многоязычного OCR. В заявленных результатах она получила 93,12 на OmniDocBench v1.5, 79,8 на OlmOCR Bench и 880 баллов на OCRBench; производительность достигает 1,024 страницы в секунду при W8A8-квантизации на одной GPU A100. Ограничения включают зависимость качества и скорости от разрешения изображений, сложности макета и выбранного режима обработки; конкретные требования к оборудованию для GGUF-версии в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Schematron-8B — специализированная языковая модель компании Inference.net для извлечения структурированных данных из HTML. Она принимает HTML-страницу и JSON Schema, а в ответ формирует JSON, соответствующий заданной схеме; модель построена на архитектуре Llama и дообучена на базе meta-llama/Llama-3.1-8B-Instruct. По метаданным, модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors. Модель предназначена для веб-скрейпинга, загрузки данных и преобразования содержимого страниц в структурированные записи. Контекст составляет до 131 072 токенов. Карточка заявляет качество извлечения, близкое к GPT-4.1 на описанной оценке, и рекомендует температуру 0 и JSON-режим для более стабильного вывода. Модель работает со статическим HTML: динамически загружаемый контент нужно предварительно отобразить, а очень большие страницы могут потребовать усечения. Результаты неоднозначных полей зависят от ясности схемы; вывод рекомендуется проверять по схеме. Лицензия в предоставленных данных не указана.

SLIM-NER — специализированная языковая модель из серии SLIM компании LLMWare. Это плотная авторегрессионная модель семейства Llama с 1 млрд параметров, дообученная для извлечения именованных сущностей через вызовы функций. На вход подаются текст и список требуемых категорий, а на выходе модель формирует структурированный словарь, например со списками людей, организаций и мест.

Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Карточка модели WillowVoiceAI/surya-ocr-2 на Hugging Face совпадает с карточкой datalab-to/surya-ocr-2, поэтому описание составлено по ней. Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Surya 2 — модель Datalab для интеллектуальной обработки документов, основанная на визуально-языковой архитектуре (VLM) примерно на 650 млн параметров. Она принимает изображения страниц и PDF-документы и предназначена для распознавания текста, анализа структуры документа, определения порядка чтения и распознавания таблиц с выделением строк и столбцов. Модель ориентирована на OCR многоязычных документов и заявляет поддержку 91 языка. Она подходит для газет, учебников, налоговых форм, рукописных заметок и корпоративных документов. В README указаны результат 83,3% на olmOCR-bench, 87,2% на внутреннем мультиязычном тесте и пропускная способность около 5 страниц в секунду на RTX 5090. Инференс может выполняться через vLLM на GPU или llama.cpp на CPU и Apple Silicon. К ограничениям относятся зависимость качества от состояния исходного документа, раздельные модели обнаружения текста и OCR, а также специальные условия коммерческого использования весов. Код распространяется по Apache 2.0, а веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование заявлено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов; для более широкого коммерческого применения требуется отдельная лицензия.

Youtu-Parsing — специализированная модель Tencent для разбора документов, созданная на основе Youtu-LLM 2B. Она сочетает языковую модель с визуальным энкодером динамического разрешения в стиле NaViT и предназначена для извлечения структуры и содержания из изображений документов. Архитектура модели — YoutuVLForConditionalGeneration; число параметров — 2,1 млрд, контекст — до 20 480 токенов. Модель принимает изображения документов и выдаёт текст с распознанным содержимым и его структурой. Модель локализует текстовые области, восстанавливает порядок чтения и распознаёт текст, таблицы, формулы и диаграммы. Формулы преобразуются в LaTeX, таблицы — в HTML, а диаграммы могут представляться таблицами Markdown, картами мыслей или схемами Mermaid. README заявляет ускорение вывода в 5–11 раз за счёт параллельной обработки токенов и дополнительное ускорение запросов примерно вдвое. Модель предназначена для анализа документов и исследований и разработок в области понимания документов. В метаданных указан интерфейс Transformers и формат Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

AnyParse Models Hub — набор моделей проекта AnyParse для мультимодального разбора документов и изображений. Разработчики позиционируют его как компонент системы, которая преобразует файлы в структурированный Markdown или JSON и предназначена для использования в конвертации документов и последующей обработке данных, в том числе в приложениях на базе LLM. Заявлены извлечение текста с учётом порядка чтения и структуры документа, распознавание OCR и VLM, обработка таблиц, изображений, формул и сложной вёрстки. Поддерживаются изображения PNG и JPEG, а также PDF, офисные документы, электронные книги, HTML, таблицы, блокноты и письма; предусмотрены запуск на CPU и GPU и интерфейсы CLI и FastAPI. В метаданных указаны библиотека Transformers, формат safetensors и лицензия Apache-2.0. Размер модели, конкретные языки и длина контекста не указаны.

GLiNER2.5 Multi — мультиязычная модель извлечения информации компании Fastino на архитектуре GLiNER2 boundary. Она построена на энкодере mDeBERTa-v3-base, содержит 287 млн параметров и предназначена для извлечения сущностей, классификации текста, разбора структурированных записей, выделения атрибутов фрагментов и извлечения отношений в рамках заданной схемы. Модель принимает текст и возвращает текстовые фрагменты, метки, записи и связи; заявлена поддержка нескольких языков. Контекстное окно указано как max_len=4096 токенов. Разреженный поиск пар начала и конца позволяет извлекать фрагменты разной длины в пределах одного окна. Модель объединяет несколько задач извлечения в одном вызове и поддерживает ограниченное декодирование для согласованных меток и графов сущностей и отношений. Для длинных документов предусмотрена обработка перекрывающимися фрагментами, но сущность или отношение сохраняются только если их границы или оба конца связи попадают в один фрагмент; обычный вызов extract обрезает текст по max_len. Лицензия Apache-2.0.

GLiNER-relex-large-v0.5 — модель семейства GLiNER для совместного распознавания именованных сущностей и извлечения отношений из текста. Она использует единую энкодерную архитектуру: определяет фрагменты сущностей, формирует пары кандидатов с помощью графовых свёрточных сетей и классифицирует отношения между ними. Модель поддерживает zero-shot извлечение: при обработке можно задавать собственные типы сущностей и отношений без дообучения, в том числе сопровождать метки текстовыми описаниями. Сущности и отношения извлекаются за один проход; при необходимости доступно извлечение только сущностей. Это подходит для построения графов знаний, анализа документов и разметки текстовых корпусов. Для развертывания предусмотрен экспорт в ONNX. Модель опубликована Knowledgator в формате safetensors и распространяется по лицензии Apache-2.0. Результаты зависят от выбранных схемы меток и порогов извлечения; README рекомендует подбирать пороги под задачу.

GLM-OCR — компактная мультимодальная модель распознавания текста и понимания документов от команды Z.ai; репозиторий unsloth/GLM-OCR содержит дообученную версию zai-org/GLM-OCR. Модель построена на архитектуре GLM-V: использует визуальный энкодер CogViT, межмодальный связующий модуль и декодер GLM-0.5B. В карточке указано около 0,9 млрд параметров; модель принимает изображения и формирует текстовый результат. Модель предназначена для OCR сложных документов, извлечения текста, формул и таблиц, а также структурированных сведений по заданной JSON-схеме. В README заявлена двухэтапная обработка с анализом макета и распознаванием, а также результаты на OmniDocBench V1.5 и скорость обработки документов. Поддерживаемые языки: китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Лицензия — MIT. Для извлечения структурированных данных необходимо задавать ожидаемую JSON-схему; качество может зависеть от сложности макета и содержимого изображения.

GLM-OCR — мультимодальная модель оптического распознавания символов и понимания документов от zai-org. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, межмодальный коннектор с уменьшением числа токенов и языковой декодер GLM-0.5B. Общее число параметров — 0,9 млрд; модель распространяется в формате safetensors и работает через Transformers. Модель предназначена для распознавания текста и формул, извлечения таблиц, разбора документов и получения структурированных сведений по заданной JSON-схеме. Для полного разбора документов авторы рекомендуют SDK, объединяющий модель с анализом макета PP-DocLayout-V3; модель также можно запускать отдельно для извлечения информации. Заявлена поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. В README приведены результаты тестов на наборах для понимания документов и скорости обработки, но они не гарантируют аналогичных показателей на иных данных и оборудовании. Модель распространяется по лицензии MIT. Для извлечения информации требуется строго задавать JSON-схему; готовый SDK для разбора документов не предназначен для этого сценария.

Infinity-Parser2-Flash-GGUF — мультимодальная модель понимания документов, разработанная infly-ai на базе infly/Infinity-Parser2-Flash. Это быстродействующая версия семейства Infinity-Parser2, предназначенная для анализа изображений документов, PDF и другого визуально-текстового содержимого. Модель поддерживает распознавание и структурирование макета, выделение элементов документа с ограничивающими рамками и категориями, извлечение текста, распознавание таблиц, графиков, математических и химических формул, а также document VQA и общее мультимодальное понимание. Результаты могут представляться в Markdown, HTML и LaTeX в зависимости от типа элемента. Модель обучалась на почти 5 млн разнообразных образцов документов с применением многоцелевого обучения с подкреплением и проверяемыми наградами. Заявлена скорость до 1 624 токенов в секунду, что в 3,68 раза выше предыдущей Infinity-Parser-7B; показатели составляют 86,0% на olmOCR-Bench, 72,2% на ParseBench и 91,98% на OmniDocBench-v1.6. Доступны файлы GGUF в форматах от Q2_K до F32, а также мультимодальные проекторы; поддерживаются llama.cpp, Transformers, vLLM и vLLM-server через пакет infinity_parser2. Основные ограничения — поддержка преимущественно английского и китайского языков, снижение точности на сложных графиках и повернутых элементах таблиц, а также отсутствие детального сохранения текстового форматирования вроде полужирного и курсивного начертания. Модель распространяется по лицензии Apache-2.0.

LFM2-1.2B-Extract — компактная языковая модель Liquid AI на базе LFM2-1.2B, дообученная для извлечения значимой информации из неструктурированных документов и преобразования её в заданный формат: JSON, XML или YAML. Модель построена на плотной архитектуре LFM2 и имеет около 1,5 млрд параметров. Она принимает текст и выдаёт структурированный текст; контекст — до 128 000 токенов. Модель предназначена для обработки статей, расшифровок, отчётов, писем, нормативных документов и обращений в поддержку. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Для более точного соответствия формату и схеме рекомендуется задавать системную инструкцию; разработчик советует использовать жадное декодирование с temperature=0. По данным README, на внутренней оценке модель показала сильные результаты в формировании сложных структурированных объектов, однако качество зависит от документа и схемы. Модель рассчитана на однократные диалоги. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

LightOnOCR-1B-1025 — компактная мультимодальная модель LightOnAI для распознавания текста и понимания документов по изображениям. Это плотная модель семейства Mistral3 с генеративной архитектурой LightOnOCRForConditionalGeneration; репозиторий содержит полную версию весов BF16. Модель предназначена для извлечения текста из сканов и страниц PDF, а также для работы с таблицами и формами. Модель обучена на многоязычных документах: научных статьях, книгах, чеках, счетах, таблицах и формах, включая рукописный текст. В карточке заявлены европейские языки с латинской письменностью; README характеризует вариант как многоязычный. Авторы отмечают высокую скорость и точность для своего размерного класса. Для обработки PDF рекомендуется преобразовать страницы в PNG или JPEG с максимальной стороной около 1540 пикселей, сохраняя пропорции; поддерживается обработка страниц по одной. Модель распространяется по лицензии Apache-2.0. README рекомендует BF16-вариант для инференса и дальнейшего дообучения; для обучения упомянуты LoRA и адаптация к предметным документам. В карточке также отмечено, что LightOnOCR-2 является более новой версией. Заявленные в README результаты производительности и точности приведены авторами и зависят от оборудования и условий оценки.

LightOnOCR-2-1B — компактная модель распознавания документов от LightOn: плотная vision-language архитектура на 1 млрд параметров, семейство Mistral3. Она преобразует PDF-страницы, сканы и изображения документов в чистый текст с сохранением естественного порядка чтения; также подходит для распознавания таблиц и форм. Модель обучена с RLVR и рассчитана на высокую точность OCR. В README заявлены результаты уровня state of the art на OlmOCR-Bench и высокая скорость обработки. LightOnOCR-2-1B поддерживает английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, шведский, датский, китайский и японский языки. Для запуска авторы рекомендуют Transformers версии 5 и рендеринг PDF в изображения с разрешением 200 DPI и максимальной стороной около 1540 пикселей. Модель распространяется по лицензии Apache-2.0.

MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

MinerU-HTML (Dripper) — дообученная OpenDataLab модель на архитектуре Qwen3 для извлечения основного содержимого HTML-страниц. Она классифицирует элементы страницы и формирует структурированный результат с помощью генерации, управляемой конечным автоматом; проект также предусматривает резервные методы извлечения и API для интеграции. Модель содержит около 508 млн параметров, принимает текстовое представление HTML и выдаёт текст с извлечённым содержимым. Контекст — до 40 960 токенов; в метаданных указана поддержка английского и китайского языков. Модель предназначена для очистки веб-страниц от навигации и других вспомогательных элементов, подготовки содержимого для индексации и использования в RAG-системах, а также для пакетной обработки и оценки качества извлечения. Для локального запуска README рекомендует GPU с CUDA и достаточный объём памяти; предусмотрена интеграция через Python API и REST API. Лицензия модели — Apache 2.0.

Карточка модели zenosai/MonkeyOCRv2-AS на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Nanonets-OCR-s — компактная мультимодальная модель Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на Qwen2.5-VL-3B-Instruct и принимает изображения документов, включая сложные страницы с таблицами, формулами и встроенными изображениями. Модель распознаёт текст и структуру документа, представляет математические формулы в LaTeX, описывает изображения, извлекает текст водяных знаков и выделяет подписи. Таблицы она может выводить в формате Markdown или HTML, а состояния флажков и переключателей — обозначать стандартными символами. Такой вывод подходит для дальнейшей обработки языковыми моделями и для извлечения данных из деловых и юридических документов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и имеет контекст длиной до 128 000 токенов. В метаданных указан английский язык. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Nemotron OCR v2 — мультиязычная модель распознавания текста на изображениях из коллекции NVIDIA NeMo Retriever. Она объединяет детектор текстовых областей на базе RegNetX-8GF, трансформерный распознаватель и модуль анализа связей между областями, который определяет группировку элементов, порядок чтения и структуру макета. Доступны варианты для английского языка и для нескольких языков; мультиязычный вариант поддерживает английский, китайский, японский, корейский и русский. Модель предназначена для OCR документов и изображений реальных сцен, включая многострочный и многоблочный текст, таблицы, графики и инфографику. На вход принимает RGB-изображения, на выходе формирует распознанный текст, рамки областей и оценки уверенности. Её можно использовать для извлечения текста в поисковых и RAG-системах и приложениях, которым нужен анализ содержимого изображений. По описанию NVIDIA, модель рассчитана на производственное и коммерческое применение. Лицензия NVIDIA Open Model License Agreement; в README также упоминается Apache 2.0.

NuExtract-1.5-smol — компактная языковая модель от NuMind, дообученная на базе HuggingFaceTB/SmolLM2-1.7B для извлечения структурированной информации из текста. Пользователь передаёт исходный текст и JSON-шаблон с нужными полями, а модель заполняет его извлечёнными данными. Модель имеет архитектуру LlamaForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 8192 токенов. README заявляет поддержку нескольких языков и отмечает, что модель старается дословно извлекать сведения из исходного текста. Для более надёжного извлечения рекомендуется использовать температуру, близкую к нулю. Лицензия — MIT.

NuExtract-2.0-2B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для извлечения структурированной информации из текста и изображений. Модель принимает входные данные вместе с JSON-шаблоном, в котором задаются требуемые поля и их типы, и возвращает заполненный JSON-объект. Модель имеет размер 2B параметров и основана на Qwen2-VL-2B-Instruct. Версия GGUF предназначена для запуска с совместимыми inference-инструментами, включая llama.cpp. Поддерживаются строки с дословным извлечением или перефразированием, целые и дробные числа, даты и время в формате ISO, массивы, перечисления и многозначные категориальные поля. Если значение не найдено, модель возвращает null или пустой массив. Она подходит для обработки документов, форм, заявок и других текстовых или визуальных источников, где требуется привести данные к заданной схеме. К сильным сторонам относятся специализация на структурированном извлечении, поддержка текста и изображений, небольшой размер и возможность коммерческого использования. Для надёжной работы рекомендуется температура, близкая к 0; качество зависит от корректности JSON-шаблона и входных данных. В README не указаны конкретные поддерживаемые языки, максимальный контекст и результаты бенчмарков в числовом виде. Модель распространяется по лицензии MIT.

NuExtract 2.0 4B — мультимодальная модель для извлечения структурированных данных, разработанная NuMind и дообученная на базе Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а запрос задаётся JSON-шаблоном с названиями полей и типами ожидаемых значений: строки, числа, даты, перечисления и массивы. Если нужные сведения не найдены, модель может вернуть null или пустой массив. Модель подходит для извлечения фактов из документов и изображений, заполнения заданных схем, а также генерации шаблонов извлечения по примерам или описанию на естественном языке. Семейство заявлено как многоязычное; архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам. Размер составляет 3,1 млрд параметров, контекст — до 128 000 токенов. Для извлечения README рекомендует температуру, близкую к нулю; примеры в контексте могут помочь при неоднозначных задачах и требованиях к формату. В метаданных указана лицензия MIT, однако README для версии 4B указывает Qwen Research License, поэтому условия использования следует сверить с лицензией репозитория и базовой модели перед применением, особенно в коммерческих сценариях. Качество может снижаться на сложных или неоднозначных запросах; README не приводит подробных количественных результатов бенчмарка.

NuExtract 2.0 4B GGUF — мультимодальная модель компании NuMind, предназначенная для структурированного извлечения информации из текста и изображений. Модель принимает исходные данные и JSON-шаблон с названиями полей и ожидаемыми типами значений, после чего возвращает извлечённые данные в JSON-формате. Поддерживаются строки, дословные фрагменты текста, целые и десятичные числа, даты и время в формате ISO, массивы, перечисления и многозначные категории. Модель относится к семейству NuExtract 2.0, имеет размер 4B и распространяется в формате GGUF для использования с совместимыми инструментами, включая llama.cpp. Она мультиязычная и поддерживает текстовые и визуальные входы. В README указано, что семейство построено на предварительно обученных моделях Qwen-VL; для варианта 4B в таблице обозначена база Qwen2.5-VL-3B-Instruct, тогда как метаданные README содержат другое значение, поэтому точную базовую конфигурацию следует уточнять отдельно. Сильной стороной модели является ориентация на извлечение данных по заданной схеме, включая возврат null или пустых массивов при отсутствии релевантной информации. Для стабильности результатов рекомендуется температура, равная или близкая к нулю. Модель предназначена прежде всего для автоматизации обработки документов, текстов и изображений, но README не содержит точных сведений о длине контекста, перечне языков, количественных результатах бенчмарков и ограничениях качества. Для варианта NuExtract-2.0-4B-GGUF указана лицензия Qwen Research License, поэтому коммерческое использование следует проверять по её условиям.