I.3Извлечение и структурирование данных

Granite Docling 2stage — мультимодальная модель IBM Research для преобразования страниц документов в структурированный текст и другие форматы в составе Docling. Это дообученная версия IBM Granite Docling 258M с архитектурой Idefics3 и плотной моделью условной генерации; метаданные указывают размер семейства в названии базовой модели — 258M. Лицензия Apache 2.0. Модель принимает изображения документов и формирует текстовое представление их содержимого и структуры. Она предназначена для распознавания текста, формул, таблиц, диаграмм и элементов макета, преобразования документов в HTML и Markdown, а также ответов на вопросы о структуре документа. В двухэтапном процессе динамический запрос строится с использованием найденных на странице объектов макета; доступны обработка всей страницы и обработка области, заданной рамкой. Модель интегрируется с DoclingDocuments и рассчитана на использование в конвейерах библиотеки Docling. Основной язык — английский; README также сообщает об экспериментальной поддержке японского, арабского и китайского. К сильным сторонам относятся извлечение структуры документов, распознавание формул и встроенной математики, а также более устойчивая работа на данных вне обучающего распределения. Модель не предназначена для общего понимания изображений; ответы могут быть неточными, предвзятыми или содержать галлюцинации, поэтому результаты документов следует проверять.

Granite Vision 4.1 4B — компактная визуально-языковая модель IBM Research для извлечения структурированных данных из изображений документов и графиков. Архитектура Granite4 Vision объединяет языковую модель на 3,4 млрд параметров и визуальный энкодер с проекторами на 0,6 млрд параметров; модель дообучена на Granite-4.1-3B. Она принимает изображения и текстовые инструкции, а ответы формирует в текстовом виде, включая CSV, HTML, JSON, OTSL, код Python и описания на естественном языке. Модель предназначена прежде всего для преобразования графиков в данные, код или краткие описания, извлечения таблиц со сложной структурой и поиска семантических пар «ключ—значение» в документах с разной вёрсткой. Её также можно применять для описания изображений и в конвейерах обработки документов, в том числе с Docling. Карточка сообщает о 94,2% точности exact match на VAREX в zero-shot режиме; это результат конкретного бенчмарка и не гарантия для других данных. Модель разработана для специализированного извлечения информации и может хуже справляться с открытыми задачами по изображениям. Генеративные ответы могут содержать ошибки, поэтому их следует проверять, особенно в важных процессах. Инструкции обучения были на английском, и качество на документах на других языках может быть ниже. Лицензия — Apache 2.0.

GutenOCR-3B — мультимодальная модель распознавания и локализации текста в документах, созданная дообучением Qwen2.5-VL-3B-Instruct. Модель на 3,1 млрд параметров использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми запросами; поддерживает контекст длиной до 128 000 токенов. Модель предназначена для чтения целых страниц с сохранением структуры, распознавания текста в заданной области и поиска слов или строк с выдачей координат ограничивающих рамок. Она также обнаруживает области с текстом, включая строки, абзацы и математические выражения. Ответы могут быть представлены обычным текстом, Markdown или структурированным JSON; интерфейс управляется шаблонами запросов. Модель обучалась на деловых документах, научных статьях и синтетических данных для локализации. По описанию авторов, на отложенных тестах она улучшает распознавание текста на уровне областей и строк, а также полноту обнаружения текста по сравнению с базовой моделью. Карточка приводит английский как язык модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

GutenOCR-7B — мультимодальная модель для распознавания текста и поиска его областей в документах. Она создана разработчиками GutenOCR путём дообучения Qwen2.5-VL-7B и объединяет чтение, обнаружение текста и визуальную привязку в одном чекпойнте с интерфейсом на основе запросов. Модель обрабатывает целые страницы и отдельные области: извлекает текст с сохранением структуры строк, может выдавать Markdown или JSON, находит текстовые фрагменты и возвращает ограничивающие рамки на уровне строк и абзацев. Поддерживаются условные запросы вида «где находится этот текст?», включая поиск математических фрагментов. Обучение проводилось на деловых документах, научных статьях и синтетических данных для визуальной привязки. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Модель доступна в формате Safetensors и использует библиотеку Transformers. Карточка сообщает об улучшениях на отложенных тестах OCR по сравнению с базовой моделью, однако конкретные метрики в предоставленном описании отсутствуют. Для соблюдения ожидаемых форматов вывода модель полагается на системный промпт, автоматически добавляемый шаблоном чата. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

HunyuanOCR-1.5 — компактная специализированная модель компьютерного зрения и языка для распознавания и обработки текста на изображениях. Карточка описывает её как разработку команды Hunyuan; репозиторий Evan-613/HunyuanOCR содержит веса модели HunyuanOCR-1.5. По метаданным, модель использует плотную архитектуру Hunyuan-VL с 463,5 млн параметров, работает через Transformers и имеет контекстное окно до 131 072 токенов. Модель предназначена для разбора документов, обнаружения и распознавания текста на изображениях, извлечения информации и перевода текста с изображений. README также указывает на поддержку OCR для редких и древних письменностей и вопросов по нескольким изображениям. Веса доступны в формате safetensors; для развёртывания описаны Transformers, vLLM и конвертация в GGUF для llama.cpp. README указывает лицензию как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

adidsh/indic-ocr-int8-onnx — созданная сообществом производная модели Indic-OCR от Bodhan AI / AI4Bharat, представленная в форматах ONNX и GGUF и предназначенная для локального распознавания и разбора документов. Она использует двухэтапный конвейер: RT-DETR находит и классифицирует области документа, затем визуально-языковая модель распознаёт текст в этих областях, сохраняя порядок чтения, переносы строк и структуру таблиц. Модель рассчитана на автономную работу с документами на английском и 22 индийских языках, в том числе на устройствах с CPU и без серверного GPU. Квантизированные варианты уменьшают размер и ускоряют выполнение; в README приведены результаты замеров на CPU x86_64 с AVX2. Указанная в карточке лицензия — other; README называет лицензию исходной модели Indic Open Model License v1.0 и требует атрибуции Bodhan AI / AI4Bharat.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

LayoutLMv2 — мультимодальная модель Microsoft для понимания документов, содержащих текст, визуальную разметку и изображения. Это плотная архитектура семейства LayoutLMv2 с 136,7 млн параметров; модель предварительно обучена учитывать взаимосвязи между текстом, расположением элементов и изображением страницы. Для обработки использует текстовые фрагменты, координаты их расположения и изображение документа, а контекст ограничен 512 токенами. Модель предназначена для задач анализа визуально насыщенных документов: извлечения информации из форм и чеков, классификации документов и ответов на вопросы по их содержимому. В карточке сообщается о результатах на FUNSD, CORD, SROIE, Kleister-NDA, RVL-CDIP и DocVQA. Основной язык карточки — английский. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование.

LayoutLMv3-base — мультимодальный предобученный Transformer для анализа документов, разработанный Microsoft. Модель объединяет текст и изображение документа в общей архитектуре и использует маскирование текста и изображения при предобучении. Вариант base содержит 151,8 млн параметров и рассчитан на контекст до 514 токенов. Модель предназначена для дообучения под задачи понимания форм и чеков, визуальных вопросов и ответов по документам, классификации изображений документов и анализа их структуры. Она принимает текстовые данные с изображением документа и может выдавать текстовые ответы, категории или структурированную разметку в зависимости от выбранной задачи и дообучения. В карточке указана поддержка английского языка. Доступны веса PyTorch, TensorFlow и ONNX, в том числе в формате Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

Это дообученная версия мультимодального Transformer LayoutLMv3-base от Microsoft, созданная nielsr на наборе документов CORD для разметки токенов в документах. Модель принимает текст вместе с изображением документа и его структурными координатами, а затем присваивает токенам метки, помогая извлекать и классифицировать поля в чеках. В оценке на CORD указаны F1 0,9638, точность 0,9620, полнота 0,9656 и accuracy 0,9682. Модель содержит 151,8 млн параметров; контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это модель LayoutLMv3 для извлечения информации из изображений чеков: она размечает токены и связывает текст с его расположением на документе. Модель разработана Theivaprakasham и дообучена на базе microsoft/layoutlmv3-base на наборе SROIE; число параметров — 151,8 млн, максимальная длина контекста — 514 токенов. Модель предназначена для структурирования данных с чеков, например выделения названий компаний, дат, адресов и сумм. На оценочной выборке SROIE указаны F1 0,9404 и точность 0,9945. Она принимает изображение документа вместе с текстом и координатами токенов, а выдаёт метки для токенов. Лицензия в предоставленных данных не указана.

LayoutLMv3-Fine-Tuning-FUNSD — дообученная модель Ammar alhaj ali на базе microsoft/layoutlmv3-base для классификации токенов в документах с учётом их текстового и визуального контекста. Она предназначена для извлечения структурированных элементов из форм и других документов, представленных текстом и изображением страницы. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и имеет контекст до 514 токенов. В оценке на наборе FUNSD указаны F1 0,925, точность 0,918 и полнота 0,931. Основной сценарий применения — разметка и извлечение полей в документах, похожих на формы из FUNSD. Модель дообучена на датасете nielsr/funsd-layoutlmv3; сведений о поддерживаемых языках в предоставленных данных нет. В метаданных не указана лицензия, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

pierreguillou дообучил LayoutXLM Base от Microsoft на наборе DocLayNet для распознавания структуры документов на уровне абзацев. Модель LayoutLMv2 содержит 305,2 млн параметров и принимает текстовые токены вместе с расположением элементов на странице; для обработки использовались фрагменты до 512 токенов с перекрытием 128 токенов. На выходе она присваивает абзацам метки одного из 11 типов: заголовок, текст, список, таблица, иллюстрация, формула, подпись, сноска, верхний или нижний колонтитул и название документа. Модель предназначена для анализа PDF и других документов: она помогает выделять структуру страниц и подготавливать содержимое для поиска, извлечения данных и дальнейшей обработки. В README указаны F1 0,7739 и точность на уровне абзацев 86,55%; качество различается по классам, например, для нижних колонтитулов оно высокое, а для сносок и названий заметно ниже. В метаданных заявлены английский, немецкий, французский и японский языки. Лицензия — MIT.

LFM2-350M-Extract — компактная языковая модель компании Liquid AI для извлечения важных сведений из неструктурированных документов и преобразования их в структурированные данные. Она предназначена для обработки статей, расшифровок, отчётов, писем, обращений в поддержку и нормативных документов; результаты можно запрашивать в формате JSON, XML или YAML, задав схему в системном запросе. При отсутствии системного запроса модель по умолчанию формирует JSON. Модель построена на плотной архитектуре LFM2 и содержит 444,6 млн параметров. Она принимает текст и выдаёт текст, включая структурированный вывод. Заявленная длина контекста — 128 000 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Для генерации рекомендуется жадное декодирование с temperature=0. По данным разработчика, на задаче извлечения модель превзошла Gemma 3 4B в проведённой ими оценке, однако это не гарантирует аналогичный результат на других данных и сценариях. Модель рассчитана на одношаговые диалоги; для более точного соблюдения формата и схемы рекомендуется явно задавать их в системном запросе. Модель дообучена на базе LiquidAI/LFM2-350M. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

LiLT-SER-DE — модель для распознавания сущностей в документах, созданная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Она использует архитектуру LiLTForTokenClassification и учитывает текст вместе с его расположением на странице, что подходит для извлечения структурированных полей из документов. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. В оценке на тестовой выборке XFUND показала F1 0,755, точность 0,7268, полноту 0,7854 и accuracy 0,7817. Репозиторий распространяется по лицензии MIT.

Lumma-0.6B-Extract — компактная специализированная языковая модель FrontiersMind для извлечения структурированных данных из текста. Это дообученная версия Lumma-0.6B-Base с плотной архитектурой NandiForCausalLM и примерно 800,5 млн параметров. Модель рассчитана на однократное извлечение: пользователь задаёт JSON-шаблон с нужными полями, а модель формирует ответ в соответствующей структуре. Модель подходит для извлечения имён, дат, организаций, мест, товаров и атрибутов из текстов счетов, маршрутов поездок, распознанных OCR документов, писем, отчётов и сообщений. Её можно применять в конвейерах обработки документов и данных, в том числе при ограниченных вычислительных ресурсах. Контекст составляет 12 288 токенов; карточка указывает поддержку английского языка, а многоязычная поддержка индийских языков обозначена как планируемая. Внутренний тест разработчика охватывал около 500 документов разных типов; подробные результаты и сам набор данных в карточке не приведены. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.

MinerU2.5-2509-1.2B — компактная зрительно-языковая модель команды OpenDataLab для разбора документов по изображениям страниц. Она использует архитектуру Qwen2-VL и двухэтапный подход: сначала анализирует общую структуру страницы на уменьшенном изображении, затем распознаёт содержимое фрагментов в исходном разрешении. В карточке указаны 494 млн параметров и контекст 16 384 токена. Модель предназначена для извлечения структурированного содержимого из документов, включая текст, таблицы, математические формулы, заголовки, колонтитулы, номера страниц, списки, ссылки и блоки кода. Среди заявленных сильных сторон — разбор сложных формул, в том числе смешанных китайско-английских, и таблиц с поворотом или неполными границами. Поддерживаются китайский и английский языки; модель работает с изображениями и текстовыми запросами, выдавая текстовое представление разобранного документа. Для локального запуска README рекомендует GPU, а для применения также доступны облачный API и интеграции с инструментами для RAG и MCP. Модель распространяется по лицензии AGPL-3.0. Показатели точности в README заявлены без приведённых здесь подробностей методики; локальный запуск требует подходящего GPU.

mREBEL-large-32 — многоязычная модель извлечения отношений, разработанная авторами работы REDFM и основанная на REBEL. Она преобразует задачу выделения отношений между сущностями в последовательность текста и может применяться как готовая система извлечения отношений или как отправная точка для дообучения на многоязычных наборах данных.

Mungert/Nanonets-OCR2-3B-GGUF — это GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной компанией Nanonets. Модель предназначена для OCR и преобразования документов в структурированный Markdown, а также для image-to-text и visual question answering (VQA). Указано, что базовой моделью является Qwen/Qwen2.5-VL-3B-Instruct, а конвертация выполнена с использованием llama.cpp. Точный размер контекста в карточке не указан. Модель ориентирована на обработку сложных документов: распознаёт печатный и рукописный текст, извлекает таблицы в Markdown и HTML, распознаёт математические формулы в LaTeX, описывает изображения, а также выделяет подписи, водяные знаки и элементы форм, включая чекбоксы. Блок-схемы и организационные диаграммы может представлять в виде кода Mermaid. Для VQA модель должна отвечать по содержимому документа, а при отсутствии ответа — возвращать «Not mentioned». Заявлена поддержка множества языков, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский и корейский; полный перечень не приведён. GGUF-квантизация предназначена для локального запуска, а автор карточки описывает повышение точности отдельных важных слоёв за счёт их хранения в более высокой точности, что увеличивает размер файла. Лицензия в предоставленных данных не указана.

Unsloth/Nanonets-OCR-s — модель оптического распознавания символов на основе Qwen2.5-VL, представленная в формате safetensors и рассчитанная на преобразование изображений документов в структурированный Markdown. Она предназначена для извлечения текста и элементов сложной вёрстки с последующей обработкой в системах на базе LLM. Модель распознаёт формулы и записывает их в LaTeX, извлекает таблицы в Markdown или HTML, описывает изображения, а также отмечает подписи, водяные знаки и состояния флажков в формах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Репозиторий Unsloth обозначен как дообучение nanonets/Nanonets-OCR-s; карточка также заявляет улучшенную точность версии Unsloth Dynamic 2.0, но не приводит сопоставительных результатов. Модель подходит для оцифровки деловых и юридических документов, форм, таблиц и страниц с математическими формулами, а также для подготовки содержимого документов к поиску и обработке LLM. Сведения о лицензии в предоставленных данных отсутствуют.

Nanonets-OCR-s-GGUF — GGUF-версия модели Nanonets-OCR-s, разработанной Nanonets и подготовленной Unsloth. Это мультимодальная модель класса image-to-text, предназначенная для распознавания содержимого документов и преобразования изображений страниц в структурированный Markdown, пригодный для последующей обработки большими языковыми моделями. Модель поддерживает распознавание текста, математических формул с преобразованием в LaTeX, сложных таблиц с выводом в Markdown и HTML, описаний изображений через теги <img>, а также обнаружение подписей, водяных знаков, номеров страниц и элементов форм. Флажки и радиокнопки преобразуются в стандартизированные Unicode-символы. В метаданных указана поддержка английского языка и библиотек Transformers; конкретные размер, архитектура, размер контекста и перечень дополнительных языков не указаны. Сильные стороны модели — извлечение не только текста, но и структуры и семантических элементов сложных документов, включая таблицы, формулы, изображения и подписи. Она подходит для OCR документов, конвертации страниц в Markdown и подготовки данных для LLM-пайплайнов. Ограничения README не описывает; также в предоставленных данных отсутствует информация о лицензии и точных требованиях к аппаратному обеспечению.

Nemotron Table Structure v1 — разработанная NVIDIA специализированная модель компьютерного зрения для выделения структуры таблиц на изображениях. Она обнаруживает ячейки, строки и столбцы и возвращает для каждого объекта класс, координаты ограничивающей рамки и оценку уверенности. Модель построена на YOLOX с backbone DarkNet53 и FPN decoupled head; содержит около 54 млн параметров и обрабатывает RGB-изображения, приводимые к размеру 1024 × 1024. Модель предназначена для извлечения табличных данных из сканов и документов, в том числе в конвейерах обработки документов и enterprise-поиска. В сочетании с OCR она помогает сохранить связи между элементами таблицы и преобразовать её структуру для последующего анализа или представления в Markdown. NVIDIA сообщает о предварительном обучении на COCO train2017 и дообучении на изображениях Digital Corpora с разметкой Azure AI Document Intelligence. Для инференса требуются PyTorch и код из репозитория; модель оптимизирована для систем с GPU NVIDIA. Карточка заявляет готовность к коммерческому и некоммерческому использованию по NVIDIA Open Model License Agreement; скрипты постобработки лицензированы Apache 2.0. Для распознавания текста модель следует использовать вместе с OCR: сама она выдаёт геометрию и классы элементов таблицы.

NuExtract3-GGUF — квантизированная версия NuExtract3, разработанная компанией NuMind. Это мультимодальная vision-language модель с архитектурой на 4 млрд параметров, предназначенная для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их сочетание. Для структурированного извлечения она использует JSON-шаблон и инструкции, возвращая данные в формате JSON; также поддерживает генерацию шаблонов из естественного языка или содержимого документа. NuExtract3 подходит для OCR и подготовки данных для RAG, обработки сканов, чеков, форм, счетов, договоров, таблиц и других документов. Заявлена поддержка многоязычных документов, режимов вывода с рассуждением и без него, а также больших входных и выходных контекстов. К сильным сторонам относятся объединение визуального анализа, OCR, рассуждений и структурированного извлечения в одной модели, а также возможность преобразования сложных документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Внутренний бенчмарк NuMind показал средний результат 0,651 для варианта NuExtract3.4_4B-RL на наборе примерно из 600 документов, однако часть ответов не была корректно десериализуема в JSON, а производительность может снижаться на особенно больших или сложных заданиях. Модель распространяется по лицензии Apache-2.0. Данный репозиторий содержит квантизированный вариант базовой модели NuMind/NuExtract3; конкретные параметры квантизации и точное максимальное окно контекста в карточке не указаны.

NuExtract-large — модель для извлечения структурированной информации из текста, разработанная NuMind на основе Phi-3 Small и дообученная на синтетическом наборе данных. Пользователь передаёт текст и JSON-шаблон с нужными полями; модель извлекает соответствующие фрагменты и оформляет их по шаблону. Карточка указывает, что выходной текст модели дословно содержится в исходном тексте. Модель имеет плотную архитектуру Phi-3 Small с 8,2 млрд параметров и контекстом до 8192 токенов. README рекомендует подавать текст короче 2000 токенов. Метаданные указывают английский язык; модель доступна в формате safetensors и распространяется по лицензии MIT. Подходит для извлечения сущностей, атрибутов и других заданных пользователем сведений в JSON. Ограничения: ответы должны опираться на исходный текст, а не добавлять новую информацию; заявленные в README результаты бенчмарков ещё не опубликованы.

NuMarkdown-8B-Thinking — мультимодальная модель Numind для распознавания и структурированного извлечения содержимого из документов. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала на синтетических примерах «документ — рассуждение — Markdown», затем с помощью GRPO с наградой, ориентированной на структуру и компоновку документа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и рассчитана на контекст до 128 000 токенов. Модель принимает изображения документов и преобразует их в аккуратный Markdown, уделяя внимание сложной разметке и таблицам. В ходе генерации она использует промежуточные рассуждения о структуре страницы; их объём зависит от сложности задачи. Такой формат вывода подходит для подготовки документов к индексации и поиску с дополненной генерацией (RAG). Модель распространяется по лицензии MIT. Её назначение — извлечение текста и структуры из документов; README описывает сравнительные результаты, но не приводит подробностей методики оценки, поэтому заявленные преимущества на сложных документах следует проверять на собственных данных.

OCRFlux-3B — предварительная версия мультимодальной модели ChatDOC для извлечения содержимого из PDF-файлов и изображений страниц в чистый Markdown. Модель дообучена на Qwen2.5-VL-3B-Instruct с использованием закрытых наборов документов и части olmOCR-mix-0225. Она построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для распознавания и разбора страниц документов, включая таблицы, абзацы и их структуру, а также для объединения фрагментов таблиц и текста, разделённых между страницами. По README, для запуска достаточно GPU уровня GTX 3090, а комплект OCRFlux поддерживает пакетную обработку документов через vLLM. Карточка приводит результаты внутренних бенчмарков, но они не гарантируют такое же качество на документах других типов. Входные данные — изображения, в том числе страницы PDF; результат — структурированный текст, обычно Markdown. Данные бенчмарков включают английские и китайские документы, однако метаданные карточки указывают английский язык, поэтому поддержка других языков не предполагается сверх явно описанного. Условия лицензирования в предоставленных источниках не описаны.

Карточка модели FriendliAI/olmOCR-7B-0225-preview на Hugging Face совпадает с карточкой allenai/olmOCR-7B-0225-preview, поэтому описание составлено по ней. olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

OvisOCR — компактная мультимодальная модель ATH-MaaS для сквозного разбора документов. Она принимает изображение страницы целиком и формирует структурированный вывод в Markdown, сохраняя текст, таблицы, математические формулы, элементы оформления и порядок чтения. Модель построена на архитектуре Ovis2.6 и содержит 1,3 млрд параметров; для обработки использует Transformers или vLLM. Длина контекста — 40 960 токенов. Модель предназначена для извлечения и структурирования содержимого плотных и сложных документов. В README заявлены высокие результаты на OmniDocBench v1.5, однако конкретные численные показатели не приведены. OvisOCR может ошибаться или пропускать содержимое, поэтому результаты следует проверять вручную в критически важных сценариях. Лицензия — Apache-2.0.

PaddleOCR-VL — мультимодальная модель Baidu для разбора документов по изображениям. Вариант в этом репозитории дообучен на основе baidu/ERNIE-4.5-0.3B-Paddle; метаданные указывают 318,2 млн параметров, архитектуру PaddleOCRVLForConditionalGeneration и контекст 131 072 токена. Карточка описывает семейство PaddleOCR-VL-0.9B с визуальным энкодером динамического разрешения в стиле NaViT и языковой моделью ERNIE-4.5-0.3B. Модель извлекает текст и распознаёт структурные элементы документов, включая таблицы, формулы и диаграммы. Она рассчитана на многоязычные документы, в том числе с рукописным текстом и историческими материалами; README заявляет поддержку 109 языков. В метаданных указаны английский и китайский языки. Такая модель подходит для систем оцифровки и анализа документов; карточка заявляет высокую точность и быструю работу, но не приводит здесь подробных количественных результатов. Для полной обработки документов README описывает PaddleOCR, а поддержку вывода через Transformers характеризует как ограниченную распознаванием отдельных элементов. Лицензия — Apache-2.0.

PP-DocLayoutV2 — лёгкая модель для анализа структуры документов из семейства PaddleOCR, разработанная PaddlePaddle. Она обнаруживает и классифицирует элементы макета, а затем определяет порядок их чтения. Архитектура состоит из детектора RT-DETR и последующей pointer-сети, которая упорядочивает найденные элементы. Модель предназначена для анализа страниц документов и подготовки их структуры для OCR и дальнейшего извлечения информации. Метаданные указывают поддержку английского и китайского языков, а также мультиязычных сценариев. Репозиторий распространяется по лицензии Apache-2.0.