I.3Извлечение и структурирование данных

CAMeL-Lab разработала CAMeLBERT-CA NER — модель распознавания именованных сущностей в классическом арабском языке. Это дообученная для классификации токенов версия CAMeLBERT Classical Arabic, обученная на наборе данных ANERcorp. Модель предназначена для извлечения и разметки именованных сущностей в арабском тексте. Её можно использовать в компоненте NER библиотеки CAMeL Tools или через pipeline Transformers. Архитектура — BERT с головой классификации токенов; модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель рассчитана на классический арабский и может применяться для обнаружения сущностей в предложениях и документах на этом языке. Она обучена на ANERcorp, поэтому качество на других вариантах арабского, доменах или схемах разметки может отличаться. Лицензия — Apache-2.0.

Это японская модель распознавания именованных сущностей из книги «Введение в большие языковые модели», глава 6. Её разработчики взяли cl-tohoku/bert-base-japanese-v3 и дообучили на наборе llm-book/ner-wikipedia-dataset, добавив CRF-слой к выходному слою BERT. Модель содержит 138,4 млн параметров, работает через Transformers и принимает текстовые фрагменты длиной до 512 токенов. Модель выделяет в японском тексте сущности, например имена людей и географические названия, и возвращает их типы и оценки уверенности. Подходит для извлечения сущностей из текстов, подобных статьям Википедии. Лицензия — Apache License 2.0.

AlexStamp/bert-finetuned-ner — модель BERT, разработанная AlexStamp и дообученная на датасете CoNLL-2003 для распознавания именованных сущностей в английских новостных текстах. Она выполняет токенную классификацию и размечает сущности в формате IOB2, включая людей, организации и географические объекты. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает текст с контекстным окном до 512 токенов. Регистр букв учитывается, поэтому правильное написание с заглавными буквами помогает распознаванию. Модель можно применять для извлечения сущностей из новостных статей и текстов, близких по стилю к обучающим данным. Модель обучена как портфолио-упражнение на английских новостных текстах Reuters и может хуже работать на других языках и в иных предметных областях; ошибки регистра также могут снижать качество. Распространяется по лицензии Apache-2.0.

ken11/bert-japanese-ner — японская модель для извлечения именованных сущностей, разработанная компанией Stockmark. Она основана на предварительно обученной японской BERT-модели лаборатории Курохаси, Чу и Мураваки Киотского университета и дообучена на наборе ner-wikipedia-dataset от Stockmark. Модель использует архитектуру BERT с классификатором токенов, содержит 435,4 млн параметров и рассчитана на контекст до 512 токенов. Модель размечает японский текст сущностями в формате BILUO с метками из обучающего набора данных. Её можно применять для извлечения имён и других именованных сущностей из текстов на японском языке. Для работы требуется токенизатор исходной японской BERT-модели; он не входит в репозиторий. Лицензия — MIT.

yeniguno/bert-ner-turkish-cased — дообученная модель на архитектуре BERT, созданная на основе dbmdz/bert-base-turkish-cased и обученная на пользовательском наборе данных для распознавания именованных сущностей в турецком тексте. Модель помечает сущности типов PER (люди), LOC (места), ORG (организации), DATE (даты), MONEY (денежные суммы) и MISC (прочие сущности), а также токены без сущностей. Модель предназначена для извлечения именованных сущностей в NLP-конвейерах и может применяться для разметки турецких документов и текстов. Она построена как BERT-классификатор токенов, содержит 137,8 млн параметров и поддерживает контекст до 512 токенов. В README приведены метрики оценки: F1 0,9236, точность 0,9600, precision 0,9112 и recall 0,9364. Модель распространяется по лицензии MIT. Её назначение ограничено распознаванием перечисленных типов сущностей в турецком тексте; качество на других языках и доменах в карточке не подтверждено.

BibTexer — специализированная языковая модель PleIAs для извлечения библиографических ссылок из неструктурированного текста и преобразования их в записи BibTeX, пригодные для загрузки в библиографические базы данных. Модель обучена на разнообразных библиографических стилях, в том числе представленных в Zotero, и на повреждённых текстах с переносами строк и артефактами оцифровки. Модель предназначена для обработки библиографий на европейских языках и поддерживает многоязычные стили и форматы. Это DeBERTa-v2 с 306 млн параметров, настроенная для классификации токенов; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0. README описывает преобразование ссылок в BibTeX, но не приводит количественных оценок качества.

BLING StableLM 3B 4E1T v0.1 — дообученная llmware инструктивная decoder-модель на базе stabilityai/stablelm-3b-4e1t. Она предназначена для локального запуска на ноутбуке и целевых задачах RAG: ответов на вопросы по переданному контексту, извлечения значений и краткого суммирования. Модель содержит 2,7 млрд параметров, использует архитектуру StableLM Epoch и принимает текст для генерации текста; контекст — до 4096 токенов. В карточке заявлен английский язык. По тесту RAG-Instruct-Benchmark-Tester модель набрала 94 из 100 баллов; математика и логика оказались слабой стороной, а суммирование было связным, но преимущественно извлекающим. Модель рассчитана на прототипирование и локальную автоматизацию, в том числе при работе с чувствительными корпоративными данными без обращения к внешнему API. Результаты могут быть неполными или неточными, поэтому ответы следует проверять. Лицензия — CC BY-SA 4.0.

almanach/camembertv2-base-ftb-ner — модель Wissam Antoun из Almanach, Inria-Paris для распознавания именованных сущностей во французском тексте. Она основана на RoBERTa и дообучена на наборе FTB-NER; размер модели — 138,4 млн параметров, максимальная длина контекста — 1025 токенов. В README указан F1 0,93548 на FTB-NER. Модель предназначена для разметки токенов и извлечения именованных сущностей во французских текстах. Она доступна под лицензией MIT. Результаты могут зависеть от обучающих данных; модель может хуже работать на других наборах данных и не предназначена для задач за пределами распознавания сущностей без дополнительной проверки.

alexandrainst/da-ner-base — модель на базе BERT, дообученная Институтом Александры на распознавание именованных сущностей в датских предложениях. Она присваивает токенам метки в формате BIO для персон, организаций, географических названий и прочих сущностей. Модель обучена на наборе данных DaNE и основана на датской предварительно обученной модели BERT от BotXO. Архитектура — BertForTokenClassification, размер — 137,8 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель подходит для извлечения сущностей из датских текстов, например для индексации документов и анализа новостей. Она рассчитана на датский язык и не предназначена для распознавания сущностей в других языках. Распространяется по лицензии Apache-2.0.

DeepSeek-OCR-2-6bit — мультимодальная vision-language модель для анализа изображений и генерации текста, ориентированная прежде всего на задачи OCR и понимания визуального содержимого. Модель преобразована сообществом mlx-community в формат MLX из prince-canuma/DeepSeek-OCR-2 с использованием mlx-vlm версии 0.3.10. Модель предназначена для распознавания и описания содержимого изображений, включая сценарии обработки документов и извлечения текста. Она поддерживает мультиязычный режим, принимает изображения и формирует текстовые ответы; в README приведён пример запроса на описание изображения через mlx-vlm. Точные сведения об архитектуре, количестве параметров, размере контекста и перечне языков не указаны. Ключевая особенность этой версии — 6-битное квантование и совместимость с MLX, что может снизить требования к памяти при локальном запуске на поддерживаемом оборудовании. Ограничениями являются отсутствие в карточке подробных данных о качестве распознавания, поддерживаемых форматах и аппаратных требованиях, а также возможная необходимость custom code. Модель распространяется по лицензии Apache-2.0.

DePlot — модель компании Google для преобразования изображений графиков и диаграмм в линейную таблицу. Она основана на архитектуре Pix2Struct и предназначена для визуального анализа данных: модель принимает изображение графика и вопрос о нём, а выдаёт текстовое представление данных, которое можно использовать для последующих ответов и рассуждений с помощью языковой модели. Модель обучена для задачи преобразования графика в таблицу и может работать как компонент системы ответов на вопросы по диаграммам. В статье описан подход DePlot вместе с LLM: DePlot извлекает структурированные данные из графика, а языковая модель рассуждает над ними. Карточка Hugging Face указывает поддержку английского, французского, румынского и немецкого языков, форматы PyTorch и Safetensors, а также лицензию Apache 2.0. DePlot специализируется на графиках и диаграммах, поэтому её возможности не следует считать универсальным визуальным пониманием. Качество ответов на сложные вопросы зависит от точности преобразования графика в таблицу и от языковой модели, подключённой для рассуждений.

Это модель обнаружения объектов на изображениях, созданная дообучением DETR с ResNet-50 от nsugianto. Она предназначена для поиска объектов и определения их рамок; в названии указаны наборы LS-TableDet и LSDocElementDet, однако README не описывает классы объектов и конкретные сценарии применения. Модель содержит 6,3 млн параметров, использует архитектуру DETR и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

ESCOXLM-R — языковая модель Mike Zhang, Rob van der Goot и Barbara Plank, представленная в статье ACL 2023. Она основана на XLM-R large и прошла доменное адаптивное предварительное обучение на таксономии ESCO — европейской классификации навыков, компетенций, квалификаций и профессий. Модель содержит 658,7 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, Safetensors и ONNX под лицензией Apache-2.0. Модель предназначена для задач, связанных с рынком труда и описаниями вакансий: например, для извлечения навыков и профессий, классификации текстов и разметки последовательностей. В предварительном обучении использовались динамическое маскирование языковой модели и дополнительная цель для изучения многоязычных связей таксономии ESCO. В статье сообщается о лучших результатах на шести из девяти наборов данных для шести задач разметки последовательностей и трёх задач классификации; это результаты оценки, а не гарантия качества на новых данных. Метаданные указывают хорватский язык, а обучение охватывало 27 языков.

Finetuned-NepBertA-NER — модель токеновой классификации, разработанная Прияншу Койралой из Synapse Technologies на основе NepBERTa. Она предназначена для распознавания именованных сущностей в непальском тексте: людей (PER), организаций (ORG) и мест (LOC), например в новостях, документах и отзывах. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. На валидационной выборке автор сообщает F1 0,89, точность 0,86 и полноту 0,90. Модель может ошибаться на незнакомых типах сущностей, в специализированных текстах, при неоднозначном контексте и на текстах не на непальском языке; для новых областей может потребоваться дообучение. Лицензия — Apache 2.0.

Gemma4-12B Uncensored-HauhauCS-1M-GGUF — GGUF-версия модели, опубликованная satgeze и основанная на HauhauCS/Gemma4-12B-QAT-Uncensored-HauhauCS-Balanced, которая, в свою очередь, использует 12-миллиардный dense-чекпойнт Google с квантизацией QAT. Модель предназначена для генерации текста, работы с длинными документами и задач, требующих извлечения информации из больших контекстов. Также заявлена поддержка изображений благодаря vision tower и ускоренного вывода через MTP speculative decoding; запуск ориентирован на llama.cpp и Ollama. Ключевая характеристика модели — контекстное окно до 1 048 576 токенов, увеличенное в четыре раза относительно исходных 262 144 токенов. В README сообщается о сертифицированном needle-in-a-haystack извлечении на всём диапазоне от 64K до 1M токенов, а также о сохранении цепочек многошагового поиска на полном миллионном контексте. MTP ускоряет генерацию примерно на 51% в заявленных тестах, до 218,4 токена в секунду на RTX 5090. Языки явно не указаны. Сильные стороны модели — очень длинный контекст, точное позиционное извлечение и поддержка изображений. Ограничения проявляются в задачах, требующих агрегации данных по всему окну: на больших длинах качество снижается, а режим thinking, по данным README, существенно ухудшает результаты и может зацикливаться или исчерпывать лимит генерации. Для длинноконтекстного извлечения рекомендуется отключать thinking. Модель описана как uncensored и распространяется по лицензии Gemma; конкретные условия лицензии следует учитывать при использовании.

llmfan46 представил uncensored-вариант Gemma 4 26B A4B IT, дообученный с изменением компонента attn.o_proj. Это диалоговая мультимодальная модель для анализа изображений и генерации текста; карточка указывает на поддержку чата и vision, а также на архитектуру Gemma 4 и формат safetensors. Базовая модель разработана Google DeepMind, использует гибридный механизм внимания и рассчитана на контекст до 256 тысяч токенов. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста и рукописей, понимания графиков и интерфейсов, а также для диалогов, рассуждений, программирования и вызова инструментов. Вариант предназначен для ослабления ограничений базовой модели, однако карточка не описывает метод дообучения и не приводит отдельные оценки качества именно этой версии. Поддерживаемые базовой линейкой языковые и аудиовозможности не следует полностью переносить на этот чекпойнт: метаданные подтверждают только image-text-to-text и vision. Модель выпущена по лицензии Apache-2.0. Возможны предвзятость и пробелы в данных, ошибки в фактах и затруднения с неоднозначными или сложными запросами; маркировка uncensored также означает, что ответы могут быть менее ограничены защитными механизмами.

IndicBERT-v3-270M — многоязычная двунаправленная текстовая модель-компактный энкодер от AI4Bharat, построенная на архитектуре Gemma-3 и дообученная на базе google/gemma-3-270m-it. Она предназначена для задач классификации токенов, включая разметку последовательностей и извлечение сущностей. Модель обучалась с целью Masked Next Token Prediction (MNTP), при которой предсказание маскированного токена связано с представлением предыдущей позиции; при тонкой настройке важно учитывать этот сдвиг. Обучение включало английский и 23 индийских языка, в том числе хинди, тамильский, телугу, бенгальский, урду, непальский и санскрит. В README указан контекст обучения до 4096 токенов. Двунаправленное внимание подходит для энкодерных задач, но модель не является обычной причинной моделью для генерации текста; предназначенные для эмбеддингов и поиска варианты заявлены как будущие разработки. Модель распространяется по лицензии MIT.

syafiqfaray/indobert-model-ner — дообученная модель BERT для распознавания именованных сущностей с помощью классификации токенов. Она создана на основе indolem/indobert-base-uncased и содержит 137,8 млн параметров. Модель принимает текст, использует контекст до 512 токенов и возвращает метки для токенов. В карточке приведены результаты оценки: F1 0,838, точность 0,8307, полнота 0,8454 и accuracy 0,953. Датасет и набор классов сущностей не описаны, поэтому пригодность для конкретной предметной области и языка, помимо ориентации базовой модели на индонезийский, по карточке определить нельзя. Распространяется по лицензии MIT.

Модель chunwoolee0/klue_ner_roberta_model — дообученная для классификации токенов версия klue/roberta-base, созданная на датасете KLUE. Она предназначена для разметки текста по токенам, в частности для распознавания именованных сущностей в корейском языке. Модель построена на архитектуре RoBERTa и содержит 137,8 млн параметров; максимальная длина контекста — 514 токенов. Для токенизации рекомендуется использовать BertTokenizer или AutoTokenizer из Transformers. В README приведены результаты на оценочной выборке: F1 0,9552, точность 0,9546, полнота 0,9557 и accuracy 0,9884. Эти значения относятся к указанной выборке и не гарантируют такое же качество на других данных. Условия лицензии в доступных сведениях не указаны.

LENU-DE — модель для определения кода организационно-правовой формы немецкого юридического лица по его названию. Её разработали GLEIF и Sociovestix Labs на основе немецкой uncased-версии BERT; модель дообучена на данных LEI по юридическим лицам Германии и предсказывает Entity Legal Form (ELF) Code согласно стандарту ISO 20275. Архитектура — BertForSequenceClassification, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения структурированного кода правовой формы из неструктурированных названий организаций, например при проверке и очистке справочников организаций в банках, инвестиционных компаниях, корпорациях и государственных структурах. Она обрабатывает немецкие названия юридических лиц и выдаёт классификационные метки; оценку предсказания следует учитывать при использовании. При низкой оценке предложенного кода результат рекомендуется проверять вручную. Модель распространяется по лицензии Creative Commons CC0.

Карточка модели hemanthdegapudi/LFM2.5-1.2B-Instruct на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-1.2B-Instruct, поэтому описание составлено по ней. LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

Dingdust выпустил Dingdust/LFM2.5-350M-heretic — производную текстовую модель Liquid AI LFM2.5-350M-Base с архитектурой LFM2 и 444,6 млн параметров. По карточке это версия с abliteration: в приведённом сравнении частота отказов снизилась с 89 до 7 на 100 запросов; модель рассчитана на диалоговую генерацию текста и локальный запуск. Для базовой модели в README описаны извлечение данных, выдача структурированных результатов и вызов инструментов. Указаны 16 слоёв, гибридные сверточные блоки и блоки GQA, а также поддержка девяти языков: английского, арабского, китайского, французского, немецкого, японского, корейского, португальского и испанского. Метаданные указывают контекст 128 000 токенов; README базовой модели приводит 32 768 токенов, поэтому фактическая длина контекста именно этой производной версии по источникам неясна. Лицензия обозначена как other, без дополнительных условий в предоставленных данных.

YoungXuan/Llama-3.1-8B-NHS — продолжительно предобученная модель генерации текста на основе Meta Llama 3.1 8B с методом TTT-NTP: во время тестирования она обновляет быстрые веса в отдельных проекциях MLP, используя предсказание следующего токена. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст длиной до 131 072 токенов. Модель предназначена для генерации текста и улучшения извлечения связанных фактов из длинного контекста. В оценке RULER автор сообщает средний результат на 11,96 пункта выше базовой Llama 3.1 8B; улучшения сосредоточены на ассоциативном поиске по нескольким ключам и значениям, при этом на некоторых заданиях наблюдались ухудшения. Оценка проведена с одним seed, поэтому результаты требуют осторожной интерпретации. Для загрузки через Transformers требуется включить trust_remote_code, поскольку реализация TTT находится в коде репозитория. Формат весов — safetensors; лицензия — llama3.1.

shadicopty/llama3.2-entity — дообученная модель на базе Llama 3.2 3B для извлечения из текста названий компаний, проектов и людей с выдачей результата в заданном формате JSON. Она предназначена для локального запуска на настольном компьютере и подготовки текста к обезличиванию перед отправкой в облачные сервисы. Модель имеет архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В репозитории представлены форматы GGUF F16 и PyTorch; обучение проводилось с Unsloth в Google Colab. Модель можно использовать как этап распознавания сущностей в локальном процессе защиты данных. Карточка не сообщает, какие языки или домены охвачены обучением, поэтому качество на конкретных языках и типах текста по ней оценить нельзя. Лицензия — Apache-2.0.

AksharaBalan разработал эту модель на основе l3cube-pune/malayalam-bert, дообучив её для классификации токенов. Архитектура — BERT; модель предназначена для разметки последовательностей текста на малаялам, в том числе для распознавания именованных сущностей. Она принимает текст и выдаёт метки для его токенов. Размер модели — 264,8 млн параметров, контекст — до 512 токенов. В карточке указана оценка loss 0,3393 на наборе для оценки, однако набор данных, схема меток и подробные результаты не описаны. Модель доступна по лицензии CC BY 4.0.

MahaNER-BERT — модель для распознавания именованных сущностей в текстах на маратхи, разработанная L3Cube-Pune. Она основана на l3cube-pune/marathi-bert и дообучена на наборе L3Cube-MahaNER; архитектура — BERT с классификацией токенов, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Модель предназначена для выделения и классификации сущностей в тексте, например при подготовке корпусов и анализе документов на маратхи. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — CC BY 4.0.

Gladiator опубликовал модель на основе DeBERTa V3 Large, дообученную для классификации токенов на наборе CoNLL-2003. Она предназначена для распознавания именованных сущностей в тексте: определения границ и типов упоминаний, таких как имена людей, организации и географические названия. Модель содержит около 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации токенов и обрабатывает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке CoNLL-2003: F1 0,9695, точность 0,9667 и полнота 0,9724. Модель доступна в форматах PyTorch и Safetensors под лицензией MIT. Карточка не описывает дополнительные сценарии или ограничения; качество на других доменах и языках этими результатами не подтверждено.

Карточка модели Muse-research/Muse2-230M-Base на Hugging Face совпадает с карточкой Muse-research/Muse2-230M, поэтому описание составлено по ней. Muse2-230M — компактная авторегрессионная языковая модель Muse Research, дообученная на основе Muse2-230M-Base. Она предназначена для диалогового помощника, форматирования ответов и извлечения структурированных данных, например преобразования журналов разработчиков в JSON, а также для запуска на устройствах с ограниченными ресурсами и дальнейшей тонкой настройки. Модель содержит 221,2 млн параметров и использует плотную гибридную архитектуру Muse2: блоки коротких причинных свёрток чередуются с полным вниманием, применяются grouped-query attention и объединённый SwiGLU MLP. Вход и выход — текст; основной язык — английский, также модель обрабатывает программный код и математические тексты. Контекст в карточке указан как 128 000 токенов, хотя README уточняет, что стандартная длина составляет 8 000 токенов, а 128 000 — максимум. Модель обучена методом supervised fine-tuning с маскированием функции потерь только на ответах; RLHF и DPO не применялись. Качественная и безопасностная проверка ограничена, поэтому модель может галлюцинировать, повторяться или выдавать смещённые и нежелательные ответы. Разработчик не рекомендует полагаться на неё в критичных, медицинских, юридических или иных фактически значимых сценариях без оценки и защитных мер. Веса доступны по лицензии Apache-2.0.

Nougat base — модель для преобразования страниц научных PDF в текст Markdown по их изображениям. Она разработана командой Nougat и впервые опубликована в репозитории facebook/nougat-base; модель соответствует версии 0.1.0-base и описана в статье «Nougat: Neural Optical Understanding for Academic Documents». Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер mBART; модель авторегрессионно генерирует Markdown по пикселям страницы. Модель предназначена для транскрибирования научных документов, в том числе извлечения их содержимого в структурированный Markdown. В метаданных указаны форматы PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты могут быть неточными: модель транскрибирует содержимое по изображению страницы, поэтому качество зависит от читаемости и представления документа. README не приводит количественных оценок качества или явного списка поддерживаемых языков.