I.3Извлечение и структурирование данных

TEI Bibliographic Annotator — модель cmboulanger, дообученная методом LoRA на базе Qwen/Qwen2.5-3B-Instruct и объединённая с базовыми весами. Она принимает обычный текст библиографической цитаты и размечает его встроенными тегами TEI XML, выделяя авторов, названия, даты, издателей и другие библиографические элементы. Модель предназначена для разбора цитат в сносках научных работ по правовой социологии, в том числе сокращённых и анафорических ссылок, а также цитат, встроенных в авторский текст. Это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. На проверочной выборке из 1 207 записей корректный XML получен для 99,83% примеров, а точное совпадение с эталонной разметкой — для 42,50%; эти результаты являются предварительной проверкой, а не полной оценкой по полям. Обучающие данные преимущественно немецкоязычные, часть цитат — на английском. Для работы требуется использовать формат чата и инструкцию, соответствующие обучению. Лицензия указана как other, конкретные условия в карточке не раскрыты.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

TinyReceiptVQA-StructuredQA-21M — компактная модель визуальных вопросов и ответов по изображениям чеков. Она принимает изображение чека и вопрос, а затем генерирует структурированный ответ; обученный маршрутизатор выбирает один из восьми адаптеров для вопросов о телефоне, адресе, магазине, строках товаров, расчётах по позициям, поиске товара, арифметике или других темах. Модель использует Transformer-декодер с причинным self-attention и cross-attention к мультимодальной памяти; поставляется в формате ONNX для ONNX Runtime, с вариантами FP32 и статической квантизацией W8A8 INT8. Размер входного изображения фиксирован, а длины вопроса, памяти и кэшей динамические. Модель ориентирована на извлечение полей и ответы на вопросы по чекам, включая прямое чтение значений, поиск и арифметические запросы. В README приведены демонстрационные примеры на английском и корейском, но они взяты из синтетической валидационной выборки и не являются полноценным бенчмарком. Поддержка кодировки Unicode не гарантирует распознавание невиденных символов. Лицензия — Apache-2.0.

UniMERNet — модель распознавания математических выражений на изображениях, предназначенная для работы с реальными сценариями. По метаданным, она использует архитектуру vision-encoder-decoder и реализована на PyTorch. Модель принимает изображение и преобразует его в текстовое представление формулы. Карточка ссылается на проект unimernet и описывает модель как универсальную для распознавания математических выражений. Репозиторий распространяется по лицензии Apache-2.0.

Многоязычная модель универсальной разметки частей речи из библиотеки Flair. Она размечает слова в тексте универсальными POS-тегами, например прилагательное, наречие или предлог; модель основана на Flair embeddings и архитектуре LSTM-CRF и поставляется как стандартная модель для этой задачи в Flair. Модель охватывает английский, немецкий, французский, итальянский, нидерландский, польский, испанский, шведский, датский, норвежский, финский и чешский языки. В README указан F1-score 96,87 на 12 деревьях зависимостей Universal Dependencies. Метаданные указывают формат PyTorch. Сведения о лицензии и размере модели в предоставленных данных отсутствуют.

viBERT-base-cased — предварительно обученная языковая модель BERT для вьетнамского языка, разработанная FPT.AI. Она предназначена для использования как основа для задач обработки вьетнамского текста, включая разметку последовательностей после дообучения. Это двунаправленный энкодер BERT примерно на 142,6 млн параметров с контекстом до 512 токенов; доступны веса PyTorch и Flax. Модель принимает текст и формирует контекстные представления, а конкретные метки или ответы зависят от добавленной задачи и дообученной головы. Карточка Hugging Face не указывает лицензию; первоисточник описывает модель как предварительно обученную для вьетнамского BERT.

Это дообученная модель YOLOv11m от автора erayyapagci для обнаружения и выделения блоков вопросов в турецких учебных PDF-документах. Она предназначена для обработки экзаменационных сборников, тестов и рабочих листов, в том числе для последующей обрезки найденных вопросов и передачи их в OCR. Модель имеет один класс — question — и рассчитана на изображения страниц с разрешением 1280 × 1280; базовая архитектура — YOLOv11m Ultralytics, размер около 20 млн параметров. README сообщает точность 0,971 и mAP@50 0,716. Лучше всего модель подходит для плотных тестовых страниц с двумя колонками и вопросами с вариантами ответа. Она может применяться и к одноколоночным заданиям с графикой, но качество таких результатов менее надёжно. Возможны объединение заголовка страницы с первым вопросом, пропуск открытых вопросов без маркеров вариантов ответа и ошибки на нестандартной или перекрывающейся вёрстке. Для снижения ложных срабатываний рекомендуется проверять обрезанные области с помощью OCR и подбирать порог уверенности примерно 0,3–0,4. Лицензия — MIT.

GreenMap/yolo11x-blueprint-layout-detector — модель обнаружения объектов на архитектурных планах и строительных чертежах, разработанная GreenMap на основе YOLO11x. Она выделяет основную область чертежа, блоки условных обозначений и штампы с названием и метаданными. Модель обучена на архитектурных планировках и строительных чертежах и использует Ultralytics YOLO; размер входа при обучении составлял 1472 × 1472 пикселя. Модель подходит для автоматической разметки чертежей и извлечения их основных областей перед последующей обработкой. В README приведены метрики валидации для 178 изображений: общие precision 0,971, recall 0,964 и mAP50 0,984. Указанные метрики не гарантируют такую же точность на других типах чертежей или данных. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

ritam-m/bert-base-company-ner — англоязычная модель BERT для поиска названий компаний в новостях финансовой тематики. Она разработана на основе dslim/bert-base-NER и дообучена для токенной классификации с метками IOB: O, B-COMPANY и I-COMPANY. Модель содержит 135,5 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для выделения компаний в статьях финансовых СМИ, в том числе при извлечении упомянутых компаний из новостей. На тестовом наборе из 167 статей показатель F1 на уровне сущностей составил 0,50, а точность на уровне токенов — 0,70. Обучающие данные включали новости из Индии, поэтому качество может снижаться на других рынках; разметка получена из тегов MarketAux и не проверялась вручную. Лицензия — MIT.

BERTurk — регистрозависимая модель BERT для турецкого языка, созданная командой цифровой библиотеки MDZ при Баварской государственной библиотеке совместно с сообществом турецкого NLP. Модель содержит 211,6 млн параметров и использует словарь размером 128 тыс. токенов; длина контекста — 512 токенов. Для предобучения использованы очищенный и сегментированный корпус Turkish OSCAR, Википедия, корпуса OPUS и специальный корпус Кемаля Офлазера; обучение проводилось на TPU v3-8 в течение 2 млн шагов. Модель предназначена как турецкий языковой энкодер для задач понимания текста и построения прикладных NLP-систем, включая разметку частей речи и распознавание именованных сущностей. Карточка приводит веса PyTorch, а метаданные также указывают форматы TensorFlow и Flax. Лицензия — MIT. Это базовая предобученная модель, поэтому для конкретных задач разметки может потребоваться дообучение.

Модель cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs32 — испаноязычная система распознавания именованных сущностей, разработанная для учебного проекта Taller PLN в Univalle; среди участников указаны Laura Valero и Cristian Valencia. Она обучена на CoNLL-2002 и использует BiLSTM с выходным CRF, символьную CharCNN и 300-мерные испанские FastText-эмбеддинги. Модель предназначена для разметки токенов и извлечения сущностей из испанского текста. На тестовой выборке CoNLL-2002 указаны F1 0,8040, точность 0,8130 и полнота 0,7952. Для файлов используется формат safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях с ограничением некоммерческого использования.

Модель cvalenciaunivalle/bilstm-crf-fasttext-conll-bs16 — испаноязычная модель распознавания именованных сущностей, созданная участниками учебного проекта по обработке естественного языка в магистратуре Univalle. Она использует архитектуру BiLSTM с CRF-слоем на выходе и 300-мерные испанские FastText-эмбеддинги cc.es.300; обучение проводилось на CoNLL-2002. На тестовой части CoNLL-2002 указаны F1 0,8079, точность 0,8129 и полнота 0,8030. Модель предназначена для разметки токенов и извлечения именованных сущностей из испанского текста. Для работы используется пользовательский код модели с параметром trust_remote_code=True. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

bling-red-pajamas-3b-0.1 — англоязычная инструкционная модель llmware на архитектуре GPT-NeoX, дообученная на основе togethercomputer/RedPajama-INCITE-Base-3B-v1 для сценариев RAG. Модель содержит 3,5 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Весы доступны в формате PyTorch; лицензия — Apache 2.0. Модель предназначена для локального запуска, прототипирования и автоматизации задач с конфиденциальными документами, в частности для ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В карточке сообщается результат 92 из 100 на RAG-Instruct-Benchmark-Tester; при этом оценки отдельных типов задач неоднородны, а тесты не гарантируют точность на других данных. Модель специализируется на ограниченном наборе инструкционных задач и не является универсальной системой. Ответы могут быть неточными или неполными, поэтому их следует проверять. Для локального инференса заявлена пригодность для ноутбука без продвинутой квантизации.

bling-sheared-llama-1.3b-0.1 — англоязычная инструктивная модель llmware для генерации текста и локальной автоматизации задач с документами. Это плотная авторегрессионная модель семейства Llama на 1,3 млрд параметров, дообученная на базе princeton-nlp/Sheared-LLaMA-1.3B с помощью дистиллированных инструктивных наборов данных. Контекст составляет 4096 токенов; модель работает в формате PyTorch и ориентирована на запуск на CPU-ноутбуке без специальных оптимизаций квантования. Модель рассчитана на локальное прототипирование и сценарии RAG с чувствительными корпоративными данными. Она выполняет ответы на вопросы по предоставленному контексту, извлечение ключ-значение и базовое экстрактивное суммирование; также предназначена для сфокусированных инструктивных задач. В указанном бенчмарке RAG-Instruct-Benchmark-Tester средний результат составил 84,5 из 100, при этом качество ответов на сложные вопросы было низким, а по математике и логике — слабым. Модель разработала llmware; лицензия Apache 2.0. Ответы могут быть неточными или неполными, поэтому их следует проверять, особенно в важных сценариях. README описывает поддержку английского языка.

CeLLaTe-ner-2class-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_3.375 — англоязычная BERT-модель для классификации токенов, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и предназначена для извлечения именованных сущностей из текста с разметкой IOB в двух классах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. На оценочном наборе указаны micro F1 0,7816, precision 0,7920 и recall 0,7715. Эти показатели относятся к указанному набору данных; карточка не уточняет названия извлекаемых типов сущностей и ограничения применения.

SIRIS Lab разработала эту модель для предварительной проверки библиографических ссылок в составе Citation Parser. Это дообученная DistilBERT-base-multilingual-cased с архитектурой BERT для классификации последовательностей: она относит текст ссылки к действительным или недействительным. Модель рассчитана на автоматизацию проверки ссылок в библиографических базах и рабочих процессах подготовки рукописей. Модель содержит около 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате safetensors для Transformers. Основа многоязычная, однако оценка проводилась на английских ссылках; в описании приведены результаты на тестовой выборке: accuracy 0,95 и macro F1 0,94. Модель распространяется по лицензии Apache 2.0.

Модель Maltehb/danish-bert-botxo-ner-dane — датская версия BERT, дообученная Мальте Хёймарк-Бертельсеном для распознавания именованных сущностей на датском датасете DaNE. Базовый Danish BERT предварительно обучила компания Certainly, ранее известная как BotXO. Модель использует архитектуру BERT для классификации токенов, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для извлечения именованных сущностей из датского текста, например, при разборе документов или подготовке текстовых данных для последующего анализа. Доступны веса PyTorch, TensorFlow и Flax; в карточке приведён пример загрузки через Transformers с классом AutoModelForTokenClassification. Лицензия — CC BY 4.0. Модель ориентирована на датский язык и конкретную задачу распознавания сущностей. Карточка не перечисляет поддерживаемые типы сущностей и не приводит метрики качества, поэтому качество на других языках, жанрах текста и схемах разметки не подтверждено.

Японская языковая модель Globis University на архитектуре DeBERTa V3, предназначенная для задач классификации токенов. Модель насчитывает 137,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch для Transformers. Для японского текста используется токенизатор с уменьшенным словарём на 32 000 элементов: при выводе не требуется морфологический анализатор, а границы токенов в некоторой степени соответствуют границам слов. Модель подходит для разметки и классификации фрагментов японского текста. Она обучалась на японских ресурсах, включая Wikipedia, WikiBooks, CC-100 и C4. Лицензия — CC BY-SA 4.0. Карточка описывает возможности токенизатора и общий сценарий классификации токенов, но не приводит конкретные результаты оценки этой версии на задачах разметки.

orbis-marianne/deberta-v3-seq-tag — модель для разметки последовательностей на основе DeBERTa v3, опубликованная ORBIS Marianne. В карточке указано, что модель обучена на disputool; она предназначена для классификации токенов и доступна для использования через Transformers как token-classification pipeline. Модель имеет архитектуру DebertaV2ForTokenClassification, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в формате Safetensors. Карточка не уточняет набор меток и поддерживаемые языки, поэтому конкретный тип последовательностей и языковую область применения определить нельзя.

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%. Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

FireFunction v1 — модель Fireworks AI для генерации текста с вызовом функций и маршрутизацией запросов. Она построена на архитектуре Mixtral с разреженным MoE и содержит 7,1 млрд параметров; максимальная длина контекста составляет 32 768 токенов. Модель принимает текстовые запросы и спецификации функций, а в ответ формирует текст или структурированный вызов функции. Она совместима с интерфейсом function calling API OpenAI и поддерживает принудительный выбор функции через параметр tool_choice. Модель предназначена прежде всего для маршрутизации одношаговых запросов к одной из функций из набора до 20 спецификаций и для извлечения структурированной информации. Разработчик сообщает о высокой скорости работы на платформе Fireworks, но не приводит независимого подтверждения заявленного сравнения качества с GPT-4. Модель не оптимизирована для многошагового диалога и параллельных или вложенных вызовов функций в одном ответе. Лицензия Apache-2.0.

Карточка модели sumannath/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

GeistBERT — немецкоязычная языковая модель, разработанная авторами проекта GeistBERT и дообученная на основе GottBERT. Это плотная архитектура RoBERTa с 153,2 млн параметров, обученная с Whole Word Masking на преимущественно дедуплицированном немецком корпусе объёмом около 1,3 трлн токенов; контекст составляет 514 токенов. Модель предназначена для немецких NLP-задач, включая классификацию текста, распознавание именованных сущностей, понимание документов и предварительное обучение для машинного перевода. В README сообщаются сильные результаты на немецких бенчмарках NER, классификации текста и NLI. Для специализированных задач модель можно дообучать; метаданные указывают задачу заполнения пропусков в тексте (fill-mask). Корпус не прошёл полную ручную проверку, поэтому в нём могут встречаться избыточные или низкокачественные примеры. Лицензия модели — MIT.

Gemma-2-2B Temporal Link Classification — модель AnirbanSaha, полученная полным дообучением Google Gemma 2 2B Instruct на наборе fahmidiqbal/tlink-classification. Она принимает текстовый запрос с двумя отмеченными фрагментами и генерирует метку временного отношения между ними: BEFORE, AFTER, OTHER или NONE. Модель предназначена для классификации временного порядка событий и отношений между фрагментами текста. Модель построена на плотной архитектуре Gemma2ForCausalLM, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык. Лицензия — Gemma. Метрики тестирования в карточке пока отсутствуют, поэтому качество классификации по опубликованным результатам оценить нельзя.

GLiNER2.5-KVKK-TR-v2 — модель извлечения сущностей и связей, созданная Newmind AI на основе fastino/gliner2.5-multi-v1. Она использует архитектуру GLiNER2 BoundaryExtractor: принимает текст и заданную схему меток, а затем извлекает сущности и связи за один проход. Модель дообучена в два этапа на турецких юридических текстах и данных для выявления персональной информации по требованиям KVKK; использует 118 меток с турецкими названиями. Базовая модель основана на mDeBERTa-v3-base и содержит 287 млн параметров. Модель предназначена для поиска персональных данных и других полей в юридических и нотариальных документах на турецком языке, а также для извлечения отношений между найденными сущностями. В карточке приведены результаты на синтетических и небольших наборах реальных документов; на реальных данных качество заметно ниже, чем на синтетическом тесте, а распознавание названий компаний и учреждений представляет особую сложность. Для получения ожидаемого качества рекомендуется подавать целые документы или абзацы, а не отдельные предложения. Лицензия — Apache-2.0.

GLiNER-PII — модель NVIDIA для обнаружения и классификации персональных и медицинских данных в структурированном и обычном тексте. Она построена на архитектуре GLiNER и дообучена на базе urchade/gliner_large-v2.1; содержит около 570 млн параметров и работает через библиотеку GLiNER на PyTorch. Модель размечает фрагменты текста более чем по 55 категориям и возвращает найденный текст, тип сущности, позиции начала и конца, а также оценку уверенности. Её применяют для выявления и редактирования конфиденциальных данных в медицинских записях, финансовых и юридических документах, корпоративных хранилищах, журналах и пользовательских публикациях. Модель принимает текст и выдаёт текстовые аннотации. Карточка указывает английский язык. Лицензия обозначена как other; README заявляет возможность коммерческого и некоммерческого использования. Качество зависит от предметной области, формата данных и порога уверенности: в оценке на трёх наборах строгий F1 составил 0,70 на Argilla PII, 0,64 на AI4Privacy и 0,87 на Nemotron-PII. Для ответственных сценариев рекомендованы проверка на данных конкретного применения и человеческий контроль.

Модель wls04/hprm_terminal_Qwen3-1.7B — дообученная с помощью TRL модель Qwen3-1.7B от Qwen. По метаданным она использует архитектуру Qwen3ForTokenClassification и предназначена для классификации токенов; карточка также показывает пример генерации ответа на вопрос, но он не подтверждает отдельную задачу модели. Модель содержит 1,7 млрд параметров, принимает текст и имеет контекстное окно до 40 960 токенов. В репозитории указаны веса в формате safetensors и лицензия Qwen3; в доступных данных конкретный идентификатор лицензии отсутствует.

HTML-Pruner-Phi-3.8B — дообученная Microsoft Phi-3.5-mini-instruct модель, выпущенная авторами HtmlRAG для сокращения HTML-контекста в системах поиска с дополненной генерацией (RAG). В двухэтапном процессе HtmlRAG модель используется на этапе генеративного отбора блоков HTML после предварительного ранжирования блоков моделью эмбеддингов; перед этим HTML очищается от нерелевантного содержимого и избыточных структур. Модель построена на архитектуре Phi-3, содержит 3,7 млрд параметров и принимает текст; её контекст составляет 4096 токенов. В карточке указана поддержка английского языка. Модель предназначена для подготовки HTML-результатов поиска к передаче языковой модели, чтобы сохранить полезное содержимое и уменьшить объём контекста для последующей генерации ответов. Модель распространяется по лицензии Apache-2.0. Её специализированная задача — генеративное прореживание HTML-блоков; качество может зависеть от структуры и длины исходных страниц и от настроек этапов очистки и отбора.

Keye-VL-671B-A37B — мультимодальная языковая модель семейства Keye-VL, разработанная командой Kwai-Keye. Она предназначена для понимания и генерации текста, анализа изображений и видео, визуальных рассуждений и решения математических задач. В карточке описана архитектура KeyeVLMoeForConditionalGeneration; репозиторий содержит веса safetensors в формате FP8. Модель рассчитана на контекст до 163 840 токенов и поддерживает видеозапросы с текстовым ответом. При обучении использовались данные для визуальных вопросов и ответов, включая OCR, диаграммы и таблицы, а также синтетические цепочки рассуждений и последующее обучение с проверкой ответов. Это делает модель применимой для анализа видеоматериалов и визуального содержимого с текстовым запросом. Указанная лицензия — Apache-2.0. Для развёртывания README приводит инструкции с SGLang и описывает многосерверную конфигурацию.