I.3Извлечение и структурирование данных

OneKE — двуязычная модель для извлечения структурированных знаний из текста, совместно разработанная Ant Group и Чжэцзянским университетом. Она предназначена для построения графов знаний и поддерживает извлечение сущностей, отношений и событий по заданной пользователем схеме. Модель принимает инструкцию, схему полей и исходный текст, а результат выдаёт в структурированном формате, подобном JSON. OneKE основана на плотной архитектуре Llama и содержит 13 млрд параметров; в карточке указано контекстное окно 4096 токенов. Это дообученная версия Chinese-Alpaca-2-13B, обученная на инструкциях для извлечения информации и ориентированная на китайский и английский языки. Разработчики сообщают о результатах на задачах извлечения сущностей, отношений и событий, включая сценарии без примеров, и предлагают инструментальную поддержку для настройки схем и продолжения обучения. Модель подходит для преобразования документов в структурированные данные для графов знаний, а также для анализа медицинских, финансовых и государственных текстов. Для запуска и обучения рекомендуется не менее 20 ГБ видеопамяти. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных на тех же условиях.

OvisOCR2 — компактная мультимодальная модель ATH-MaaS для разбора страниц документов. Она создана дообучением Qwen/Qwen3.5-0.8B и имеет плотную архитектуру Qwen3.5 с генерацией текста по изображению; размер модели — 0,8 млрд параметров. На вход подаётся изображение страницы, на выходе — представление в Markdown в естественном порядке чтения, включающее текст, формулы, таблицы и визуальные области. Модель предназначена для OCR и сквозного извлечения структуры документов. В отчёте разработчиков указаны результаты 96,58 на OmniDocBench v1.6 и средний балл 75,06 на PureDocBench. Для запуска в README приведён пример с vLLM. Модель распространяется по лицензии Apache-2.0. На разнообразных и сложных документах модель может ошибаться или выдавать неполный результат; разработчики рекомендуют вручную проверять выводы в критически важных сценариях.

PaddleOCR-VL — компактная мультимодальная модель для разбора документов, разработанная PaddlePaddle. Она сочетает визуальный энкодер с динамическим разрешением в стиле NaViT и языковую модель ERNIE 4.5; карточка Hugging Face указывает 318,2 млн параметров, а README описывает семейство PaddleOCR-VL-0.9B. Модель принимает изображения документов и формирует текстовое представление их содержимого и структуры. Модель предназначена для распознавания текста и сложных элементов документов: таблиц, формул и диаграмм, включая рукописный текст и исторические документы. Заявлена поддержка 109 языков; метаданные также указывают окно контекста 131 072 токена. Среди сценариев применения — извлечение содержимого страниц и обработка многоязычных документов. README заявляет высокие результаты на бенчмарках, но отмечает, что полный разбор документов через Transformers пока планируется; для текущего сценария через Transformers описано распознавание текстов, формул, таблиц и элементов диаграмм. Лицензия — Apache 2.0.

PaddleOCR-VL-1.6-GGUF — набор квантованных версий мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для распознавания и структурированного анализа документов по изображениям: извлечения текста, определения компоновки страниц, обработки таблиц, формул, диаграмм, печатей и других элементов, а также задач image-to-text и document parsing. Указана поддержка английского, китайского и других многоязычных сценариев. README не содержит сведений о точной архитектуре, количестве параметров или размере исходной модели, контекстном окне и перечне поддерживаемых языков. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 0,3 до 1,0 ГБ. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество; в README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с лучшим качеством. Модель удобна для локального запуска в совместимых с GGUF инструментах и позволяет выбирать компромисс между скоростью, размером файла и качеством. Ограничения включают отсутствие подробных данных о результатах тестирования, производительности, требованиях к оборудованию и точных характеристиках исходной модели. Указана лицензия Apache-2.0.

PP-DocLayout_plus-L — модель PaddlePaddle для локализации и классификации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственном наборе китайских и англоязычных научных статей, презентаций, журналов, контрактов, книг, экзаменационных материалов, старинных книг и исследовательских отчётов. Модель выделяет 20 типов областей, включая заголовки, основной текст, номера страниц, аннотации, таблицы, формулы, изображения, графики, колонтитулы, печати и списки литературы. Модель предназначена для анализа структуры страниц и может использоваться как компонент конвейера PP-StructureV3 вместе с OCR, распознаванием таблиц и формул и другими модулями. В README указана метрика mAP@0.5 83,2% на собственной тестовой выборке изображений документов на китайском и английском языках. Метрика относится к локализации областей, а не к распознаванию их текстового содержимого. Лицензия — Apache-2.0.

Pulpie Orange Small — модель компании Feyn, предназначенная для извлечения основного содержимого веб-страниц из HTML. Она классифицирует блоки страницы как основной контент или вспомогательные элементы, например навигацию, рекламу, боковые панели и нижние колонтитулы, за один проход энкодера. Модель содержит 211,7 млн параметров, построена на EuroBERT-210m и использует архитектуру EuroBertForTokenClassification; контекст составляет до 8192 токенов. Она предназначена для конвейеров очистки HTML, веб-скрейпинга и подготовки данных для поиска и RAG; результат можно восстановить как HTML или Markdown с помощью пакета pulpie. В README сообщается о показателе ROUGE-5 F1 0,862 на английской части WebMainBench и скорости в 20 раз выше, чем у Dripper на GPU L4. Модель компактнее старших моделей семейства при близком качестве, но карточка приводит результаты только для английской части набора. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Qwen2.5-VL-32B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это квантизированная AWQ-версия модели Qwen2.5-VL-32B-Instruct с 32 млрд параметров, предназначенная для обработки изображений, видео и текстовых запросов. Указанный язык — английский; точный размер контекста в README не приведён. Модель распознаёт и анализирует объекты, текст, диаграммы, графики, значки и структуру документов на изображениях, поддерживает визуальную локализацию с помощью bounding boxes и точек, а также формирование структурированных данных из счетов, форм, таблиц и сканов. Она рассчитана на визуальные вопросы и ответы, математические и логические задачи, анализ документов, понимание видео длительностью более часа с поиском релевантных моментов, а также сценарии визуального агента, включая управление компьютером и телефоном. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Для видео используются динамические разрешение и частота кадров, а также временное позиционирование mRoPE. AWQ-квантизация может снизить требования к памяти и ускорить инференс, однако по приведённым оценкам уступает полной версии по MMMU, MMBench и MathVista, сохраняя сопоставимый результат на DocVQA. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-72B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантизированный вариант Qwen2.5-VL-72B-Instruct с 72 млрд параметров, предназначенный для обработки текста, изображений и видео в задачах vision-language. Модель умеет распознавать и анализировать объекты, текст, графики, диаграммы, иконки и компоновку изображений, извлекать структурированные данные из счетов, форм, таблиц и других документов, локализовать объекты с помощью bounding boxes или точек, а также понимать видео длительностью более часа и указывать релевантные временные отрезки. Она также ориентирована на агентные сценарии, включая управление компьютером и телефоном, и может формировать структурированные JSON-ответы. В архитектуре используются динамическое разрешение изображений, динамическая частота выборки кадров, временные идентификаторы mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий спектр визуальных задач, работа с длинными видео, визуальная локализация и извлечение структурированной информации. AWQ-квантизация может снизить требования к памяти и ускорить развертывание по сравнению с полноразмерной версией, однако модель остается крупной и может требовать значительных вычислительных ресурсов. В README не указаны точное максимальное окно контекста, полный перечень поддерживаемых языков и подробные результаты оценки; в метаданных указан английский язык. Лицензия обозначена как qwen; условия приведены в файле лицензии репозитория.

sskimtop/Qwen3-0.6B-JSON-SFT — компактная модель генерации текста на базе семейства Qwen3, дообученная в формате supervised fine-tuning для задач, связанных с формированием JSON. Модель содержит около 507,9 млн параметров и предназначена для запуска через библиотеку Transformers.

Jina Reader-LM 1.5B — языковая модель от Jina AI для преобразования HTML-страниц в Markdown. Она обучена на подобранных парах HTML и соответствующего Markdown и принимает исходный HTML без отдельной инструкции в запросе. Пример применения из карточки — конвертация страницы Hacker News; модель также рассчитана на преобразование содержимого произвольных веб-страниц. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает чатовый формат и контекст до 256 000 токенов. Веса опубликованы в формате safetensors и используются через Transformers. Карточка указывает, что выпущена более новая версия ReaderLM-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Tirendaz/roberta-base-NER — модель распознавания именованных сущностей, разработанная на основе XLM-RoBERTa base и дообученная для разметки токенов. Она выделяет в тексте имена людей (PER), организации (ORG) и географические названия (LOC); использовать её можно, например, для извлечения сущностей из документов и подготовки текста к последующему анализу. Модель имеет архитектуру XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. По карточке, обучение охватывало десять высокоресурсных языков, однако перечислены только английский в тегах модели и датасет XTREME, поэтому конкретный полный список языков определить нельзя. Модель опубликована в формате PyTorch и распространяется по лицензии MIT.

Многоязычная модель распознавания именованных сущностей от Julian Schelb. Она размечает каждый токен в формате IOB2, выделяя людей (PER), организации (ORG) и географические объекты (LOC). Модель дообучена на данных WikiANN, автоматически собранных из Википедии, и предназначена для извлечения сущностей из текста на разных языках. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForTokenClassification. Веса содержат около 658,7 млн параметров; контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Модель подходит для разметки текста и построения конвейеров извлечения сущностей, особенно в многоязычных сценариях. Качество может снижаться на текстах из предметных областей, отличающихся от данных WikiANN: карточка отмечает ограничения, связанные с охватом и периодом исходных аннотированных текстов. Модель выпущена по лицензии MIT.

RolmOCR — мультимодальная модель Reducto AI для распознавания и разбора документов по изображениям. Это дообученная на наборе allenai/olmOCR-mix-0225 модель Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL, 7,1 млрд параметров и контекстом до 128 000 токенов. Она принимает изображения документов и текстовые инструкции, а в ответ формирует текстовое содержимое документа. Модель задумана как более быстрая и экономичная по памяти замена olmOCR для обработки PDF и других сложных документов. В отличие от исходного подхода, RolmOCR не использует извлечённые из PDF метаданные, что сокращает запрос и снижает требования к VRAM; около 15% обучающих данных были повёрнуты для повышения устойчивости к наклонённым документам. Модель поддерживает визуальный диалог и распространяется по лицензии Apache 2.0. Модель может галлюцинировать или пропускать содержимое. Она не выдаёт ограничивающие рамки элементов макета; качество квантованных версий не оценивалось.

SLANeXt_wired — модель PaddlePaddle для распознавания структуры таблиц на изображениях. Она определяет строки, столбцы и ячейки и преобразует область таблицы в HTML, чтобы результат можно было редактировать или передать на последующую обработку в системе распознавания таблиц. Модель входит в экосистему PaddleOCR и предназначена для использования как отдельный модуль или в составе конвейеров распознавания документов. Модель ориентирована на таблицы с линиями-разделителями. Полный конвейер может сочетать распознавание структуры с детекцией ячеек и текста, распознаванием текста и анализом макета, а результат выдавать в HTML или Excel. В карточке приведено примечание, что показатели точности SLANeXt_wired получены при совместном тестировании с SLANeXt_wireless, поэтому их нельзя считать оценкой отдельной модели. Модель распространяется по лицензии Apache-2.0.

Модель tomaarsen/span-marker-roberta-large-ontonotes5 — модель распознавания именованных сущностей на основе архитектуры SpanMarker и энкодера roberta-large. Она обучена на наборе данных OntoNotes 5 и предназначена для выделения в тексте сущностей и присвоения им меток. Для запуска используется библиотека span_marker; веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель подходит для извлечения имен людей, организаций, мест и других типов сущностей из текста. В карточке указан английский язык. Качество обработки может зависеть от токенизации: модель работает лучше, когда знаки препинания отделены от предшествующих слов.

StructTable-InternVL2-1B — модель команды InternScience для извлечения структуры таблиц из изображений. Она дообучена на синтетических табличных данных и датасете DocGenome на базе InternVL2-1B; в карточке указана архитектура InternVLChatModel и размер около 1 млрд параметров. Модель преобразует изображения таблиц в LaTeX, HTML или Markdown и поддерживает связанные задачи, включая извлечение структуры и ответы на вопросы по таблице. Модель предназначена для оцифровки таблиц из научных публикаций, финансовых документов, счетов и веб-страниц, а также для последующего использования извлечённых данных. README отмечает улучшенную стабильность распознавания HTML и Markdown в версии v0.2 и ускоренный инференс. Карточка указывает английский и китайский языки, лицензию Apache-2.0. README не приводит контекстное окно или подробные оценки точности.

Surya Layout (fast) — компактная модель обнаружения областей документа, используемая в проекте Surya. Она анализирует изображение страницы и находит текстовые блоки, таблицы, иллюстрации, заголовки, подписи и формулы. Модель предназначена для ускоренного анализа структуры документов и работает на CPU и GPU. Это детектор объектов на PyTorch, выступающий компактной альтернативой модели анализа компоновки документов на основе VLM в Surya. Модель подходит для предварительной разметки страниц в OCR-конвейерах и извлечения структурированных элементов документа. Репозиторий распространяется по лицензии OpenRAIL.

Table Transformer Structure Recognition — модель обнаружения объектов на базе DETR, дообученная Microsoft на наборе PubTables1M для распознавания структуры таблиц в документах. Она находит элементы таблицы, включая строки и столбцы, на изображении или фрагменте документа. Модель построена на Transformer-архитектуре с нормализацией перед слоями self-attention и cross-attention. Веса содержат 6,3 млн параметров; модель опубликована в форматах PyTorch и Safetensors. Лицензия — MIT. Модель подходит для извлечения структуры таблиц из документов и последующей обработки их содержимого. Карточка описывает обнаружение строк и столбцов, но не заявляет о распознавании текста внутри ячеек; для полного извлечения данных может потребоваться отдельный OCR-компонент.

Table Transformer (TATR) — модель Microsoft для распознавания структуры таблиц в документах, обученная на FinTabNet.c. Она основана на DETR и использует Transformer-архитектуру обнаружения объектов с нормализацией перед self-attention и cross-attention. Модель предназначена для поиска элементов таблиц на изображениях документов и может применяться в системах извлечения табличных данных. Модель содержит 6,3 млн параметров и опубликована в формате safetensors. Лицензия — MIT. Карточка не сообщает о распознавании текста внутри ячеек: модель обнаруживает структуру и объекты таблицы, а извлечение текста требует отдельного этапа обработки.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_370s — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц на изображениях документов. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров. Модель может находить строки, столбцы и другие элементы структуры таблицы; библиотека Transformers и формат весов safetensors указаны в метаданных. Модель подходит для извлечения структуры таблиц из документов и последующего преобразования её в машиночитаемое представление. Она опубликована под лицензией MIT. Датасет дообучения, результаты оценки и подробные сведения об ограничениях в карточке не описаны.

Модель nsugianto/tblstructrecog_tuned_tbltransstrucrecog_noncomplex_complex_conlash_b5_1807s_lr1e6_dec1e5_bs4 — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц в документах. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров; веса опубликованы в формате safetensors. Модель принимает изображения и выдаёт рамки и классы обнаруженных элементов таблицы, например строк и столбцов. Модель подходит для разбора структуры таблиц на изображениях документов и может служить этапом в системах извлечения табличных данных. Датасет обучения, качество на тестах и конкретные ограничения в карточке не описаны. Лицензия — MIT.

Карточка модели ldov/TeleOCR на Hugging Face совпадает с карточкой XingChen-AGI/TeleOCR, поэтому описание составлено по ней. TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.

TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.

asahi417/tner-xlm-roberta-large-ontonotes5 — модель XLM-RoBERTa Large, дообученная на распознавание именованных сущностей (NER) по набору OntoNotes 5. Она размечает текст по токенам, выделяя сущности в соответствии с метками датасета. Модель предназначена для извлечения людей, организаций, мест и других упомянутых в тексте сущностей. Модель содержит 658,7 млн параметров, принимает текст и выдаёт метки токенов. Максимальная длина контекста — 514 токенов. Для загрузки README показывает использование Transformers и AutoTokenizer; метаданные указывают формат PyTorch. XLM-RoBERTa поддерживает многоязычный текст, однако конкретный перечень языков этого чекпойнта в предоставленных данных не указан. Лицензия в предоставленных данных не указана.

TRivia-3B — мультимодальная модель для распознавания и разбора таблиц, разработанная OpenDataLab на основе Qwen2.5-VL-3B-Instruct с помощью метода self-supervised fine-tuning TRivia. Она принимает изображения таблиц и преобразует их структуру в последовательность тегов OTSL. Модель рассчитана на работу с цифровыми таблицами, сканами и фотографиями. По данным карточки, она содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 тыс. токенов. Для инференса README описывает запуск через vLLM, включая развёртывание сервера с OpenAI-совместимым API. В README заявлены высокие результаты на нескольких реальных бенчмарках распознавания таблиц, однако численные результаты в предоставленном тексте отсутствуют. Лицензия в предоставленных данных не указана.

UniNER-7B-all — модель семейства Llama, представленная проектом Universal-NER и предназначенная для извлечения именованных сущностей из текста. Она обучена на сочетании синтетических наборов Pile-NER, созданных ChatGPT, и данных 40 размеченных наборов бенчмарка Universal NER; из обучения исключены CrossNER и MIT для оценки переноса на новые данные. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый запрос для генерации ответа с извлечёнными сущностями. Контекст — до 2048 токенов. Репозиторий распространяется в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

UniNER-7B-type — модель извлечения именованных сущностей, разработанная авторами проекта UniNER и дообученная на базе LLaMA-7B. Для обучения использовались тексты Pile-NER-type с метками типов сущностей, автоматически созданными GPT-3.5-turbo-0301 без ручной разметки. Модель принимает текстовый фрагмент и возвращает найденные сущности с их типами в виде списка пар. Модель предназначена для распознавания сущностей по заданным типам и извлечения именованных сущностей из текстов. В README отмечено, что она лучше варианта UniNER-7B-definition справляется с тегами типов и показывает лучшие результаты на бенчмарке Universal NER, охватывающем 43 академических набора данных из 9 областей. Архитектура — плотная LLaMA для генерации текста, размер — 6,6 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Поскольку разметка для обучения синтетическая, качество может зависеть от точности заданных типов и отличаться для текстов и категорий вне охвата обучения.

Unlimited-OCR-GGUF — набор GGUF-квантизаций модели baidu/Unlimited-OCR, подготовленный пользователем sahilchachra. Это мультимодальная vision-language OCR-модель примерно на 3 млрд параметров, предназначенная для распознавания текста и структурированного разбора документов по изображениям. Поддерживаются сценарии преобразования документов в Markdown с сохранением структуры, извлечения обычного текста, распознавания таблиц и элементов макета, получения ограничивающих рамок, разбора рисунков, графиков и диаграмм, а также визуального вопросно-ответного взаимодействия. В метаданных заявлена многоязычность, без перечисления конкретных языков. Модель использует архитектуру DeepSeek-OCR: визуальную башню DeepEncoder на базе SAM и CLIP, а также текстовый декодер DeepSeek-V2 MoE. Репозиторий содержит варианты от BF16 до 2- и 3-битных K-quants и i-quants; рекомендуемым компромиссом размера и качества указан Q4_K_M. Визионный проектор mmproj поставляется отдельно в формате F16 и требуется для каждого запуска. Контекстное окно в README не указано. Сильные стороны модели — ориентация на однопроходный разбор документов, поддержка длинных и плотных документов, сохранение порядка чтения и структуры, а также возможность получать координаты найденного текста. Ограничения связаны с необходимостью специальной сборки llama.cpp с поддержкой DeepSeek-OCR: стандартная ветка upstream на момент публикации файлы не загружает. Для работы необходимо скачать одновременно языковую GGUF-модель и vision projector; низкобитные варианты экономят память, но снижают качество OCR. Лицензия — MIT.

Unlimited-OCR MLX — мультимодальная модель для распознавания и структурированного разбора документов, портированная на Apple MLX. Она основана на модели Unlimited-OCR команды Baidu PaddlePaddle и предназначена для работы на компьютерах Apple с чипами Silicon. Модель принимает изображения документов, включая страницы PDF и одно- или многостраничные изображения, распознаёт китайский, английский и другой многоязычный текст, извлекает таблицы и сохраняет структуру документа: абзацы, заголовки, списки и элементы разметки. Динамическое разбиение изображений позволяет обрабатывать документы произвольной длины в рамках последовательной обработки страниц. Доступны режимы повышенной точности с тайлингом и быстрого сканирования в одном масштабе. Архитектура включает визуальные кодировщики SAM-ViT-B и CLIP-L, объединяемые через проекционный слой, а также 12-слойную языковую модель DeepSeek-V2 MoE с 64 маршрутизируемыми и 2 общими экспертами. Всего модель содержит около 3,34 млрд параметров, поддерживает контекст до 32 768 токенов, использует FP16 и занимает примерно 6,2 ГБ. Модель оптимизирована для Apple Silicon и требует macOS 14 или новее, Python 3.10+ и MLX 0.20+. Сильные стороны модели — специализированная обработка документов, распознавание текста и таблиц, анализ компоновки, высокая точность соответствия исходной реализации и ускорение на Apple Silicon. Ограничения включают зависимость от платформы Apple Silicon, значительный объём модели и отсутствие подробных данных о качестве на независимых наборах. Модель распространяется по лицензии MIT.

UTC-DeBERTa-large-v2 — универсальная модель для классификации токенов, разработанная Knowledgator. Это prompt-tuned версия DeBERTaV3-large, дообученная на нескольких задачах извлечения информации. Модель анализирует текст вместе с инструкцией-запросом и выделяет соответствующие фрагменты: сущности, предложения и абзацы. Модель предназначена для распознавания именованных сущностей, извлечения отношений и фактов, разрешения кореференции, ответов на вопросы, очистки и суммаризации текста. В карточке приведены результаты на CrossNER: для версии large указаны оценки Micro F1 от 0,8779 до 0,9247 в пяти предметных категориях. Модель имеет 533,8 млн параметров и контекст до 512 токенов; для запуска предусмотрена библиотека Transformers и pipeline token-classification. Модель рассчитана на англоязычный текст. Длинные документы могут потребовать разбиения на части из-за ограничения контекста, а качество зависит от формулировки запроса и задачи. Лицензия — Apache-2.0.