I.3Извлечение и структурирование данных

cmarkea/detr-layout-detection — модель обнаружения структуры документов, разработанная cmarkea и дообученная на DocLayNet на базе DETR с ResNet-50. Она анализирует изображение страницы и одновременно предсказывает ограничивающие рамки и маски элементов макета: подписей, сносок, формул, пунктов списков, колонтитулов, изображений, заголовков разделов, таблиц, основного текста и заголовков страниц. Модель предназначена для извлечения структуры страниц при обработке документных корпусов, в том числе для подготовки данных к системам ответов на вопросы по документам. В README приведены результаты оценки на 500 страницах DocLayNet; заявлены F1 91,27 для сегментации и GIoU 80,66 для обнаружения объектов в сравнительном бенчмарке. Число параметров — 6,3 млн; веса доступны в формате safetensors для Transformers. Модель принимает изображения документов и выдаёт классы элементов, маски и рамки объектов. Лицензия — Apache-2.0. Качество оценивалось на DocLayNet; переносимость на другие типы документов и качество на отдельных классах могут отличаться.

KnightsAnalytics/distilbert-NER — модель для распознавания именованных сущностей, основанная на архитектуре DistilBERT. По доступной карточке модели dslim/distilbert-NER с тем же названием и назначением, она дообучена на английской версии датасета CoNLL-2003 и выделяет в тексте людей, организации, местоположения и сущности категории MISC. Модель содержит около 66 млн параметров; максимальная длина контекста — 512 токенов. Метаданные указывают формат ONNX. Модель подходит для извлечения сущностей из англоязычных новостей и похожих текстов. Обучение на CoNLL-2003 ограничивает перенос результатов на существенно отличающиеся типы текста; возможны ошибки на сложных предложениях и смещения, связанные с обучающими данными. Для модели dslim/distilbert-NER указана лицензия Apache-2.0; идентичность лицензии репозитория KnightsAnalytics отдельно не подтверждена.

DocLayout-YOLO Docstructbench — модель компьютерного зрения для обнаружения элементов структуры документов, основанная на семействе DocLayout-YOLO и представленная в формате ONNX. Она предназначена для поиска и классификации десяти типов областей: заголовков, обычного текста, иллюстраций и подписей к ним, таблиц и их подписей и сносок, а также формул и подписей к ним. Модель можно применять в конвейерах анализа документов и подготовки их структурированного представления. Модель рассчитана на входные изображения документов и выдаёт обнаруженные области с метками классов. Репозиторий указывает Apache-2.0 в качестве лицензии. Карточка не сообщает сведения о размере модели, контексте или языковой поддержке; применимость может зависеть от качества и разметки входного документа.

dots.ocr-GGUF — это GGUF-версия мультиязычной vision-language модели dots.ocr, разработанной rednote-hilab и опубликованной пользователем prithivMLmods на основе dots-studio/dots.ocr. Модель предназначена для анализа изображений документов и объединяет обнаружение структуры документа с распознаванием содержимого в одной модели. Она подходит для научных статей, книг, презентаций, финансовых отчётов, экзаменационных работ, журналов и газет. Модель построена на компактной языковой основе объёмом 1,7 млрд параметров, связанной с Qwen2.5-VL, и поддерживает более 100 языков, включая английский и китайский. Она может выполнять полный разбор макета, обнаружение элементов, OCR и grounding OCR в зависимости от запроса. Результат выдаётся в структурированном JSON с ограничивающими рамками и категориями элементов, а текст оформляется в Markdown, формулы — в LaTeX, таблицы — в HTML. Доступны варианты GGUF с точностями от Q3_K до Q8_0, а также BF16 и F16; для работы с изображениями требуются отдельные файлы mmproj. К сильным сторонам относятся единый подход к анализу макета и содержимого, высокие результаты на OmniDocBench для распознавания текста, таблиц и порядка чтения, а также качество распознавания формул, сопоставимое с гораздо более крупными моделями. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантизации, необходимость мультимодального проектора и отсутствие в README сведений о точном размере контекста и системных требованиях. Модель распространяется по лицензии MIT и поддерживает запуск через llama.cpp; также заявлена совместимость с Transformers и vLLM, для которого рекомендуется версия 0.9.1.

FireRed-OCR — специализированная модель для распознавания текста и структурного разбора документов по изображениям, разработанная FireRedTeam на базе Qwen3-VL-2B-Instruct. Модель преобразует страницы документов в структурированный Markdown и нацелена на сохранение порядка строк, таблиц, формул и иерархии разделов. Модель дообучена поэтапно: для пространственного выравнивания, специализированного формирования Markdown и оптимизации формата с помощью GRPO. В README заявлен результат 92,94% на OmniDocBench v1.5 и устойчивость к сложным и нестандартным макетам. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. FireRed-OCR предназначена для оцифровки документов и извлечения их структуры. Карточка не сообщает поддерживаемые естественные языки или длину контекста. Авторы запрещают использовать проект для обработки незаконного, порнографического, вредоносного, порочащего или нарушающего приватность контента.

Gliese-OCR-7B-Post1.0 — мультимодальная модель для анализа документов, разработанная prithivMLmods как дообучение Camel-Doc-OCR-062825 на архитектуре Qwen2.5-VL. Она содержит 7,1 млрд параметров, принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; заявленная длина контекста — 128 000 токенов. Модель предназначена для распознавания и извлечения содержимого документов, поиска сведений в сложной структуре страниц, связывания элементов и анализа таблиц, графиков и диаграмм. Модель также подходит для вопросов по документам, извлечения математических выражений с форматированием LaTeX, а также подготовки результатов в Markdown. В карточке заявлена поддержка видеоанализа и визуального управления устройствами, но метаданные подтверждают только задачу image-text-to-text; эти дополнительные сценарии следует считать заявленными возможностями, а не отдельными подтверждёнными задачами. В качестве языков карточка указывает английский и китайский. Репозиторий распространяется под лицензией Apache-2.0. Среди ограничений указаны ухудшение результатов на изображениях низкого качества или с перекрытиями, нестабильность на редких языках и письменностях, высокие требования к ресурсам, а также возможные галлюцинации и зависимость качества от настроек визуальных токенов.

urchade/gliner_large-v2.1 — модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер типа BERT и позволяет извлекать из текста сущности типов, заданных пользователем, в том числе за пределами фиксированного набора меток обычных NER-моделей. Модель предназначена для извлечения имен и других сущностей из текста с помощью библиотеки GLiNER. Версия large-v2.1 содержит 459 млн параметров; карточка указывает английский язык, а версия multilingual-v2.1 представлена отдельно. Модель распространяется под лицензией Apache-2.0.

gliner-community/gliner_medium-v2.5 — мультиязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Ihor Stepanov, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный энкодер на основе трансформера BERT и позволяет извлекать сущности типов, заданных пользователем, вместо работы только с фиксированным набором классов. Модель предназначена для разметки текста и извлечения сущностей в сценариях, где нужна гибкость NER при меньших вычислительных затратах, чем у крупных языковых моделей. Для работы используется библиотека GLiNER; модель публикуется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

GLiNER-Multitask Large v0.5 — модель Knowledgator для извлечения заданной пользователем информации из обычного текста. Она использует двунаправленный Transformer-энкодер, похожий на BERT, и поддерживает настройку запросом: типы сущностей или другие сведения для извлечения задаются при работе модели. Модель предназначена для распознавания сущностей и отношений, извлечения ключевых фраз и тональности, поиска ответов в тексте, открытого извлечения информации и выделения предложений для краткого пересказа. Для NER модель показывает результаты, сопоставимые со специализированными моделями в приведённых авторами zero-shot бенчмарках. Для работы требуется библиотека GLiNER; веса доступны в форматах PyTorch и Safetensors. Карточка указывает поддержку английского языка и лицензию Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

urchade/gliner_multi-v2.1 — многоязычная модель распознавания именованных сущностей (NER), разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее фиксированный набор меток недостаточен. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций или пользовательских категорий. Размер этой версии — 209 млн параметров; для работы используется библиотека GLiNER. В карточке указана поддержка нескольких языков, но конкретные языки не перечислены. По сравнению с крупными языковыми моделями GLiNER рассчитана на более лёгкое и практичное распознавание сущностей в условиях ограниченных ресурсов. Лицензия — Apache-2.0.

GOT-OCR 2.0 — модель оптического распознавания текста, разработанная авторами работы «General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model» и представленная здесь в реализации для Transformers. Она принимает изображения и преобразует их содержимое в текст; поддерживает распознавание текста в документах и на сценах, а также форматированного текста, таблиц, диаграмм, математических и молекулярных формул, геометрических фигур и нотной записи. Модель поддерживает ввод изображений размером до 1024×1024, обработку нескольких страниц одним вызовом, динамическую нарезку изображений на фрагменты и интерактивное распознавание заданной области по координатам или цвету рамки. Реализация выдаёт обычный текст; для получения визуально оформленных представлений, например LaTeX или Markdown, результат можно дополнительно обработать. Модель доступна в формате safetensors для библиотеки Transformers. Репозиторий распространяется по лицензии Apache-2.0. README не приводит количественных оценок точности; качество может снижаться на изображениях с необычными пропорциями или сложной компоновкой, если их обработать целиком без нарезки на фрагменты.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

HPD-Parsing — модель PaddlePaddle для разбора документов, дообученная на базе InternVL3.5-1B. Она принимает изображения страниц и формирует текстовое представление их структуры и содержимого, включая локализованный разбор областей страницы. Модель использует архитектуру InternVL с 1 млрд параметров и динамическое разбиение изображения на тайлы размером 448×448, до 24 тайлов. Иерархическое параллельное декодирование разделяет работу между ветвью общей структуры страницы и параллельными ветвями содержимого; P-MTP ускоряет генерацию нескольких токенов за шаг. В README заявлены результат 94,91% на OmniDocBench v1.6 и пиковая скорость 4 752 токена в секунду; эти показатели относятся к описанным авторами условиям оценки. Карточка указывает английский и китайский языки. Для инференса README описывает специализированную сборку vLLM, а также поддержку через Transformers для одного изображения и размера пакета 1. Модель распространяется по лицензии Apache-2.0.

HunyuanOCR-1.5-GGUF-Updated — GGUF-сборка мультимодальной модели HunyuanOCR-1.5, разработанной Tencent на базе tencent/HunyuanOCR. Это специализированная vision-language модель для распознавания и анализа документов: извлечения текста, разбора структуры и макета, обработки таблиц, графиков и формул, text spotting, информационного извлечения, а также перевода текста с изображений между китайским и английским языками. Поддерживаются английский и китайский языки. Модель использует архитектуру HunYuanVLForConditionalGeneration и рассчитана на работу с изображениями и текстом. Заявлены максимальное разрешение изображения до 4K и контекстное окно до 128K токенов. Версия 1.5 сохраняет архитектурную основу HunyuanOCR-1.0 и добавляет DFlash speculative decoding для ускорения генерации длинных структурированных результатов, включая плотные документы, таблицы и формулы. Доступны варианты точности BF16, F16, F32 и квантизации Q3–Q8, что позволяет запускать модель на CPU, потребительских GPU и ноутбуках через llama.cpp, а также использовать Transformers и vLLM. Сильные стороны модели — объединение нескольких OCR-сценариев в одном VLM, поддержка структурированного разбора документов, длинного контекста, 4K-изображений и локального запуска в GGUF-формате. Ограничения включают заявленную специализацию преимущественно на китайском и английском языках, необходимость совместимых инструментов и компонентов для отдельных режимов инференса, а также возможные компромиссы между качеством и ресурсами при использовании квантизированных вариантов. Распространяется по Tencent Hunyuan Community License Agreement; в метаданных также указана лицензия Apache-2.0.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

Карточка модели Narsil/layoutlmv3-finetuned-funsd на Hugging Face совпадает с карточкой nielsr/layoutlmv3-finetuned-funsd, поэтому описание составлено по ней. nielsr/layoutlmv3-finetuned-funsd — модель для разметки токенов в документах, дообученная nielsr на microsoft/layoutlmv3-base на датасете FUNSD. Она основана на мультимодальном Transformer LayoutLMv3 и насчитывает 151,8 млн параметров; модель принимает текстовые токены с координатами и изображение документа, чтобы учитывать содержание и расположение элементов страницы. Основной сценарий — извлечение и классификация полей в формах, включая документы, похожие на FUNSD. На оценочной выборке указаны F1 0,9078, precision 0,9026, recall 0,913 и accuracy 0,8330. Модель предназначена для token classification, а её контекст составляет 514 токенов. Лицензия в предоставленных данных не указана.

LFM2-1.2B-Extract-GGUF — модель Liquid AI для извлечения важной информации из неструктурированных документов и преобразования её в структурированный вид. Она предназначена для обработки статей, расшифровок, отчётов, электронных писем, нормативных документов и обращений в службу поддержки с формированием результатов в форматах JSON, XML или YAML. Модель основана на LFM2-1.2B и имеет размер около 1,2 млрд параметров. Распространяется в формате GGUF и относится к задачам генерации текста; в README приведён пример запуска с llama.cpp. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Возможные сценарии включают извлечение реквизитов счетов, подготовку данных для систем комплаенса и аналитики, а также пополнение графов знаний сущностями и атрибутами. К сильным сторонам относятся специализация на структурированном извлечении и возможность локального использования через совместимые инструменты. README не содержит сведений о точной архитектуре, размере контекста, результатах сравнительных тестов, требованиях к оборудованию или ограничениях качества, поэтому эти характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии lfm1.0; условия лицензии указаны в файле LICENSE.

MinerU2.5-Pro-2604-1.2B — модель Op enDataLab для разбора документов и преобразования PDF в структурированный Markdown. Она принимает изображения страниц и текстовые запросы, а выдаёт текст с распознанной структурой документа; предназначена для подготовки данных для LLM и систем RAG. В README заявлены разбор таблиц, формул, изображений и диаграмм, объединение оборванных абзацев и распознавание изображений внутри таблиц. В карточке указана архитектура Qwen2-VL, библиотека Transformers, контекст 32 768 токенов и размер 494 млн параметров. README описывает обучение на корпусе из 65,5 млн страниц и сообщает результаты на OmniDocBench v1.6; это заявления авторов, а не независимая оценка. Лицензия — Apache-2.0. README отмечает, что объединение таблиц между страницами ещё интегрируется. Хотя название модели и README указывают на архитектуру 1,2B, метаданные каталога сообщают 494 млн параметров; эти сведения расходятся.

mREBEL — многоязычная модель извлечения отношений, разработанная авторами работы REDFM. Она формулирует задачу как генерацию последовательности и предназначена для извлечения субъектов, объектов и типов отношений из текста, а также для дальнейшей настройки на многоязычных наборах данных по извлечению отношений. Модель основана на архитектуре mBART, содержит около 457,4 млн параметров и имеет контекст до 1024 токенов. В карточке перечислены 19 языков: арабский, каталанский, немецкий, греческий, английский, испанский, французский, хинди, итальянский, японский, корейский, нидерландский, польский, португальский, русский, шведский, вьетнамский и китайский. Модель опубликована в форматах PyTorch и Safetensors и обучена на мультиязычном наборе SREDFM. При разборе результатов важны специальные токены, отделяющие сущности и типы отношений: согласно карточке, виджет вывода Hugging Face их не показывает. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Nanonets-OCR2-1.5B-exp — экспериментальная модель Nanonets для преобразования изображений документов в структурированный Markdown. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL; модель содержит около 982,1 млн параметров, принимает изображения и текстовые запросы и генерирует текст. Контекст — до 32 768 токенов. Модель распознаёт печатный и рукописный текст на разных языках, извлекает сложные таблицы, формулы с разметкой LaTeX, водяные знаки и подписи, описывает изображения в документах и передаёт схемы в Mermaid. Также она отвечает на вопросы по содержимому документа, а если ответа там нет, должна сообщить, что сведения не упоминаются. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц результат зависит от настроек генерации и качества исходного документа. Лицензия — Apache-2.0.

Nanonets-OCR-s-GGUF — версия модели Nanonets-OCR-s в формате GGUF с обновлённым шаблоном чата. Она предназначена для извлечения текста из изображений документов и представления содержимого в удобной для дальнейшей обработки форме: таблицы можно возвращать в HTML, формулы — в LaTeX, а изображения описывать краткими подписями. Для запуска автор указывает llama-server и отдельный файл mmproj; рекомендуемые параметры генерации заданы в примере команды. Модель принимает изображение документа и текстовую инструкцию, а выдаёт текст с распознанным содержимым. В метаданных указаны варианты GGUF BF16 и F32 и поддержка английского языка. Лицензия в предоставленных данных не указана.

Mungert/Nanonets-OCR-s-GGUF — это GGUF-сборка мультимодальной модели Nanonets-OCR-s, разработанной Nanonets и опубликованной пользователем Mungert. Модель предназначена для распознавания документов по изображениям и преобразования их содержимого в структурированный Markdown, поэтому подходит для OCR, обработки PDF и последующего анализа документов большими языковыми моделями. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и работает в сценарии image-text-to-text. Она распознаёт обычный текст, сложные таблицы с выводом в Markdown и HTML, математические формулы с преобразованием в LaTeX, изображения с описанием, подписи, водяные знаки, номера страниц, чекбоксы и радиокнопки. Для специальных элементов используются структурированные теги, включая <img>, <signature>, <watermark> и <page_number>, а состояния флажков обозначаются символами ☐, ☑ и ☒. Преимущество модели — специализированная обработка сложных документов и сохранение семантической структуры, полезной для автоматизированных рабочих процессов. GGUF-версия создана с помощью llama.cpp; в описании заявлен вариант квантования с выборочным повышением точности важных слоёв, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Точный размер модели, поддерживаемые языки помимо указанного английского, размер контекста и лицензия в карточке этой GGUF-сборки не указаны. Для запуска предусмотрена совместимость с экосистемой llama.cpp и GGUF.

NaviDC-OCR — специализированная компактная мультимодальная модель StarDoc-AI для разбора цифровых документов и фотографий документов. Она построена на архитектуре Qwen2.5-VL и предназначена для извлечения текста и структуры, включая таблицы, формулы и порядок чтения. Метаданные указывают 507,9 млн параметров и контекст до 128 000 токенов; README приводит оценку размера 1,2 млрд параметров, поэтому сведения о размере расходятся. Модель принимает изображения документов и формирует текстовый результат разбора. В README заявлена устойчивость к геометрическим искажениям фотографий без предварительного выравнивания, а также приведены результаты на нескольких бенчмарках. Карточка позиционирует её как лёгкую модель для практического развёртывания; фактическое качество может зависеть от типа документа и условий съёмки. Поддерживаемые языки по метаданным — китайский, английский и японский. Лицензия — Apache-2.0.

Это быстрая модель распознавания именованных сущностей на английском языке, распространяемая вместе с библиотекой Flair. Она размечает текст 18 типами сущностей OntoNotes, включая даты, числовые значения и события, и предназначена для извлечения структурированной информации из английских текстов. Модель построена на эмбеддингах Flair и архитектуре LSTM-CRF; для работы используется формат PyTorch. В README указан результат F1 89,3 на OntoNotes. Модель можно применять через Flair для автоматической разметки текста. Условия лицензии в предоставленных данных не указаны.

flair/ner-multi — стандартная модель распознавания именованных сущностей из библиотеки Flair для английского, немецкого, нидерландского и испанского языков. Она предназначена для разметки слов в тексте четырьмя классами: имена людей, географические названия, организации и ещё один класс CoNLL-03, не раскрытый в доступном фрагменте карточки. Модель построена на Flair embeddings и архитектуре LSTM-CRF и обучена для CoNLL-03. В карточке приведены F1-оценки: 92,16 для английского, 87,33 для немецкого, 88,96 для нидерландского и 86,65 для испанского. Также заявлена ограниченная применимость к близким языкам, например французскому. Использование предусмотрено через Flair и SequenceTagger. Лицензия в предоставленных данных не указана.

flair/ner-multi-fast — быстрая модель распознавания именованных сущностей, поставляемая вместе с библиотекой Flair. Она обучена для английского, немецкого, нидерландского и испанского языков на данных CoNLL-03 и предсказывает четыре типа сущностей: имена людей, географические названия, организации и четвёртый тег из набора NER. В основе — эмбеддинги Flair и архитектура LSTM-CRF. Модель предназначена для извлечения сущностей из текста и может применяться также для родственных языков, например французского, хотя качество для них не приведено. В карточке указаны F1-оценки на CoNLL-03: 91,51 для английского, 85,72 для пересмотренного немецкого набора, 86,22 для нидерландского и 85,78 для испанского. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

tesemnikov-av/NER-RUBERT-Per-Loc-Org — русскоязычная модель распознавания именованных сущностей, созданная дообучением cointegrated/rubert-tiny. Она размечает токены в тексте тремя классами: PER для персон, LOC для мест и ORG для организаций. Модель предназначена для извлечения таких сущностей из предложений и документов на русском языке. Модель построена на архитектуре BERT и содержит 12,1 млн параметров. Максимальная длина контекста — 512 токенов; формат весов — PyTorch. Для дообучения использовались предложения из Википедии, автоматически размеченные тегами PER, LOC и ORG на основе corus/WiNER. Лицензия — MIT.

NuExtract-v1.5-GGUF — квантованная в формате GGUF версия модели NuExtract-v1.5, разработанной Numind. Квантование предоставлено bartowski на основе llama.cpp. Модель представляет собой дообученную версию Phi-3.5 mini, предназначенную для извлечения структурированной информации из текста на основе заданного JSON-шаблона. Модель ориентирована на задачи NLP, где требуется преобразовать неструктурированный текст в данные фиксированной структуры: например, извлекать сущности, атрибуты и другие сведения по заранее описанной схеме. Заявлена поддержка английского, французского, испанского, немецкого, португальского и итальянского языков, а также работа с длинным контекстом. Точный размер контекстного окна, параметры модели, варианты квантования и результаты бенчмарков в README не указаны. Качество и полнота извлечения зависят от корректности JSON-шаблона; количественные ограничения и известные типичные ошибки не описаны. Модель распространяется по лицензии MIT.

NuMarkdown-8B-Thinking — мультимодальная vision-language модель для OCR и преобразования документов в структурированный Markdown. Модель разработана NuMind (Numind) на основе Qwen2.5-VL-7B, а данная версия представлена в формате GGUF. Она обучалась на синтетических примерах преобразования документов через рассуждение в Markdown с последующим обучением методом GRPO, использующим награду за корректное понимание компоновки. Модель предназначена для извлечения текста и структуры из изображений документов, включая документы со сложной компоновкой, таблицами, объединёнными ячейками, заголовками и списками. Она ориентирована на document-to-Markdown и сценарии подготовки данных для RAG. Перед формированием результата модель генерирует внутренние рассуждения для анализа макета; объём этих рассуждений может существенно зависеть от сложности задачи. Ключевые характеристики: около 8 миллиардов параметров, мультимодальный ввод с изображениями, поддержка OCR и понимания документов, базовая архитектура Qwen2.5-VL-7B, вывод в Markdown и распространение в формате GGUF для запуска средствами llama.cpp. Для GGUF-версий используется избирательное повышение точности отдельных слоёв при квантовании, что может улучшать качество при соответствующем увеличении размера файла. Языки, максимальный контекст и точные требования к аппаратному обеспечению в карточке не указаны. Сильными сторонами заявлены обработка нестандартных макетов и сложных таблиц, а также ориентация на структурированный результат для последующего поиска и генерации. К ограничениям относятся зависимость качества от сложности и качества изображения, дополнительные вычисления на рассуждения и отсутствие в карточке подробных сведений о языковом покрытии и количественных воспроизводимых тестах. Модель распространяется по лицензии MIT.

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.