I.3Извлечение и структурирование данных

Koichi Yasuoka разработал японскую модель RoBERTa для синтаксического анализа: она определяет головное слово для длинных единиц слов, формулируя задачу как ответы на вопросы. Модель дообучена на базе KoichiYasuoka/roberta-base-japanese-aozora-char с использованием UD_Japanese-GSDLUW и предварительно обучалась на текстах Aozora Bunko. Модель принимает японский текст и запрос, указывающий слово, для которого нужно определить синтаксическую вершину; маркер [MASK] в контексте помогает снять неоднозначность, если слово встречается несколько раз. Чекпойнт содержит 120,5 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY-SA 4.0. Назначение модели специализированное: карточка описывает разбор зависимостей и не заявляет о пригодности для общего ответа на вопросы.

stanfordnlp/stanza-cop — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа коптского языка. Она предназначена для разметки последовательностей токенов в текстах на коптском языке в составе инструментов Stanza. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Stanza предоставляет инструменты анализа текста от токенизации до синтаксического разбора и распознавания сущностей, однако карточка этой модели не уточняет, какие дополнительные задачи поддерживает именно данный чекпойнт. Метаданные относят его к классификации токенов; сведений о размере модели и длине контекста нет.

MentaLLaMA-chat-13B — языковая модель проекта MentaLLaMA для интерпретируемого анализа психического здоровья. Она дообучена с инструкционным режимом на основе Meta LLaMA 2 Chat 13B и набора IMHI, включающего 75 тысяч инструкций. Модель содержит 12,9 млрд параметров, использует архитектуру LLaMA и поддерживает контекст до 4096 токенов. Модель предназначена для анализа различных состояний психического здоровья и генерации объяснений к прогнозам. Авторы сообщают, что на тестовых примерах бенчмарка IMHI она приблизилась к специализированным дискриминативным методам по корректности и качеству объяснений. Она принимает текст и генерирует текст на английском языке; доступна в формате PyTorch и распространяется по лицензии MIT. Результаты предназначены только для неклинических исследований и не заменяют оценку психиатра или другого клинического специалиста. Возможны ошибочные прогнозы, неподходящие объяснения, чрезмерные обобщения и смещения, включая различия по гендеру.

Экспериментальная модель GLiNER2 для извлечения сущностей и событий из англоязычных текстов. Её разработчик дообучил mmBERT-base на WikiEvents, используя широкую базовую модель whr778/mmbert-base-combined. Модель принимает текст и предназначена для извлечения упоминаний сущностей, типов событий и триггеров событий; в карточке также заявлены извлечение отношений и классификация. Контрольная оценка на отложенной выборке показала низкие результаты: строгая F1 составила 0,277 для сущностей, 0,573 для типов событий и 0,133 для триггеров событий. В эксперименте с инициализацией головы модель не показала надёжного улучшения по сравнению с контрольной и ухудшила распознавание типов событий. Автор помечает чекпойнт как не предназначенный для промышленного применения и сохраняет его для воспроизводимости. Лицензия указана как other; условия использования следует сверить с источником модели.

Это испаноязычная модель RoBERTa для предсказания замаскированных токенов, дообученная на данных о списках ожидания в Чили. Она основана на PlanTL-GOB-ES/roberta-base-biomedical-clinical-es и может использоваться для подстановки пропущенных слов в текстах этой области. Модель содержит 153,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит результаты оценки или подробные рекомендации по применению. Поэтому качество на других медицинских текстах и за пределами чилийского контекста не установлено.

Исследовательский чекпойнт scaling-mmbert-100k от whr778 — промежуточная точка эксперимента по масштабированию данных для извлечения событий. Он основан на энкодере jhu-clsp/mmBERT-base со свежими головами GLiNER2 и прогрет примерно на 100 тысячах многоязычных записей с плотной структурой аргументов событий в течение пяти эпох. Окно обучения составляло 2048 токенов. Модель предназначена для изучения влияния объёма структурированных данных на инициализацию голов извлечения перед последующим дообучением. Это повторно используемый артефакт инициализации, а не готовая модель для отдельной задачи: для практического извлечения событий её нужно дообучить на целевом наборе данных. Чекпойнт не оценивался как универсальная модель; качество разметки ограничено исходными корпусами событий. В README указана частная исследовательская модель; лицензия в доступных данных не приведена.

Модель khadija69/xlmRobertaLarge_BIES_stem_1K_6 — дообученная версия XLM-RoBERTa Large для классификации токенов. Она предназначена для задач разметки последовательностей, однако конкретный набор меток и прикладная область не описаны. Модель содержит 658,7 млн параметров, принимает текст и использует контекст до 514 токенов. Опубликованы результаты пяти эпох обучения: точность на обучающей выборке — 0,5142, на валидационной — 0,3851; эти значения указывают на ограниченное качество и не подтверждают готовность к практическому применению. Обучающий датасет неизвестен. Модель распространяется по лицензии MIT.

Модель phonemetransformers/childes-segmentation-100k-gpt2_lm-model — дообученная языковая модель на архитектуре GPT-2, опубликованная командой phonemetransformers. Она предназначена для генерации текста и сегментации детской речи на основе текстовых последовательностей; в карточке приведены метрики предсказания границ и типов сегментов, включая F1 до 0,73 для определения границ на spike-сегментации. Модель использует Transformers и формат весов safetensors, а длина контекста составляет 256 токенов. Метаданные связывают её с нидерландским языком. Размер модели и лицензия в доступных данных не приведены, поэтому условия использования определить нельзя. README не уточняет обучающий набор данных, базовую модель и подробный сценарий применения; опубликованные оценки указывают на экспериментальную специализацию, а не на универсальную генерацию текста.

Chimera-1 — экспериментальная демонстрационная модель Tetracta, созданная слиянием двух дообученных специалистов на базе Qwen2.5-3B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, рассчитанная на генерацию текста и диалог в формате ChatML; заявленная длина контекста — 32 768 токенов. Слияние выполнено методом TIES без обучения на этапе объединения. Модель предназначена прежде всего для проверки того, как слияние может объединить две узкие способности: преобразование римских чисел и операции с буквами в словах. В описанных тестах эти навыки улучшились относительно базовой модели, тогда как результаты на ряде общих бенчмарков и чат-ответы остались близки к базовым. Это демонстрация метода, а не готовый универсальный помощник; результаты ограничены опубликованными тестами и не гарантируют качество на других задачах. Карточка указывает, что лицензия унаследована от Qwen2.5-3B-Instruct и допускает некоммерческое исследовательское использование.

DeepSeek-OCR-2-GGUF — это квантованные варианты мультимодальной vision-language OCR-модели DeepSeek-OCR-2, разработанной командой DeepSeek AI и распространяемой в репозитории SandLogicTechnologies. Модель работает с изображениями и текстом, поддерживает многоязычные сценарии и ориентирована на распознавание текста, понимание структуры документов и извлечение структурированной информации. Модель предназначена для оцифровки сканов, обработки счетов, чеков, форм, таблиц, книг и отчетов, анализа сложных визуальных документов, выделения пар «ключ-значение», а также построения корпоративных OCR-конвейеров, систем поиска и индексации документов. Заявлены возможности анализа макета, взаимосвязей между абзацами, таблицами и формами, включая работу с рукописным и цифровым содержимым. Размер исходной модели составляет около 3 млрд параметров. Доступны GGUF-варианты IQ3_M, IQ4_NL и IQ4_XS для локального запуска через llama.cpp; их размер составляет примерно 1,35, 1,59 и 1,53 ГБ соответственно вместо 5,47 ГБ для 16-битной версии. Ключевое преимущество вариантов GGUF — сниженные требования к памяти и возможность локального развертывания на потребительском оборудовании и периферийных устройствах. IQ4_NL ориентирован на более высокую сохранность качества распознавания, IQ4_XS предлагает баланс между точностью, скоростью и потреблением памяти, а IQ3_M обеспечивает максимальную компактность, но может сильнее терять качество на плотных макетах, рукописном тексте и сложных документах. Для модели не указаны точное максимальное окно контекста, полный перечень поддерживаемых языков и количественные результаты бенчмарков. Лицензия — MIT.

GLM-OCR — мультимодальная модель оптического распознавания символов для сложных документов, построенная на архитектуре GLM encoder–decoder. В состав входят визуальный энкодер CogViT, лёгкий межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B; общий размер модели — 0,9 млрд параметров. Для разбора документов модель можно использовать в конвейере с анализом макета и параллельным распознаванием на основе PP-DocLayout-V3. Модель предназначена для извлечения текста и структуры из изображений и PDF, включая таблицы, формулы, документы с печатями и материалы с фрагментами кода. Она также поддерживает извлечение структурированных сведений по заданной JSON-схеме. В карточке заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного разбора документов автор рекомендует SDK с PP-DocLayout-V3. Заявлена поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — MIT. Для извлечения сведений требуется строго соблюдать заданную JSON-схему; заявленная скорость и качество зависят от тестовых условий и конфигурации развёртывания.

Qianfan-OCR — мультимодальная модель для анализа документов, разработанная командой Baidu Qianfan. Модель объединяет распознавание текста, анализ структуры и понимание содержимого документа в единой архитектуре vision-language и преобразует изображения документов, например, в Markdown или структурированный вывод JSON и HTML. Модель содержит 4 млрд параметров и состоит из визуального энкодера Qianfan-ViT, языковой модели Qwen3-4B и межмодального адаптера. Она поддерживает изображения с разрешением до 4K, контекст языковой модели — 32 тыс. токенов с возможностью расширения до 131 тыс. README заявляет поддержку 192 языков. Среди сценариев — извлечение таблиц и ключевых сведений, анализ макета и порядка чтения, ответы на вопросы по документам и понимание диаграмм. Режим Layout-as-Thought позволяет сначала построить структурное представление страницы, что полезно для сложных макетов. Модель предназначена для распознавания и анализа документов, а не для универсальной генерации текста. Качество может зависеть от сложности макета и типа документа; заявленные результаты бенчмарков приведены в README и сами по себе не гарантируют качество на конкретных данных. Репозиторий распространяется по лицензии Apache-2.0.

HunyuanOCR-1.5 — лёгкая специализированная зрительно-языковая модель Tencent для распознавания и анализа текста на изображениях. Она объединяет разбор документов, поиск и распознавание текста на изображении, извлечение информации и перевод текста с изображений в одной модели семейства Hunyuan-VL. Репозиторий также содержит архивную версию HunyuanOCR-1.0 и черновую модель DFlash для ускорения декодирования. Модель предназначена для OCR-сценариев, включая обработку документов, таблиц и формул, распознавание малоресурсных и древних письменностей, а также ответы на вопросы по нескольким изображениям. Контекстное окно расширено до 128K токенов, а максимальное разрешение изображений — до 4K. DFlash использует спекулятивное декодирование для ускорения генерации длинных структурированных результатов с сохранением распределения выходов целевой модели. Для инференса предусмотрены Transformers, vLLM и llama.cpp; README указывает поддержку серверных GPU и развёртывания на CPU, потребительских GPU и ноутбуках через llama.cpp с преобразованными весами GGUF. Метаданные указывают формат Safetensors и библиотеку Transformers. Карточка заявляет мультиязычную поддержку, в частности английского и китайского. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

Juicer — локально развёртываемая модель Data-Juicer для уточнения и очистки данных по инструкциям на естественном языке. Это дообученная методом SFT и reinforcement learning модель Qwen/Qwen3.6-35B-A3B: архитектура MoE содержит 35 млрд параметров, из которых активируются 3 млрд на токен; в базовой архитектуре также есть визуальный энкодер, но Juicer предназначена для обработки текста. Модель принимает рецепты очистки, правила фильтрации и инструкции по семантической разметке, а результаты выдаёт в виде текста с тегами или канонического JSON. Juicer выполняет отдельные и составные операции, соблюдает их заданный порядок и поддерживает почти 70 операторов Data-Juicer. Примеры задач: нормализация пробелов, удаление дублей и ссылок, фильтрация по качеству, обезличивание персональных данных, оценка по рубрике и классификация безопасности. Модель рассчитана на локальные конвейеры подготовки данных, включая обработку приватных корпусов; доступна для запуска через vLLM, SGLang или Transformers. Карточка сообщает об оценке на CDR-Bench. Лицензия — Apache-2.0. Высокозначимые результаты следует проверять валидаторами или человеком; модель не предназначена для широкого чата, программирования, тестирования зрения или автономных юридических и комплаенс-решений.

LayoutLMv3-base-finetuned-funsd — модель Microsoft, дообученная на наборе FUNSD для извлечения и классификации информации в формах и документах. Она принимает текстовые токены с данными о расположении и изображение документа, а для токенов предсказывает метки. Модель основана на архитектуре LayoutLMv3 и содержит 151,8 млн параметров; нативная длина контекста — 514 токенов. На тестовой выборке FUNSD модель достигла F1 90,59. Она подходит для извлечения полей и классификации элементов в формах, где важны и текст, и его расположение на странице. Весы опубликованы в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

LayoutLMv3-large — мультимодальный предварительно обученный Transformer для анализа документов, разработанный Microsoft. Модель объединяет текстовые и визуальные представления документов и использует единые задачи маскирования текста и изображений. Размер модели — 454,1 млн параметров; доступны форматы PyTorch и TensorFlow, контекст — 514 токенов. Модель предназначена для дообучения под задачи Document AI: извлечения и понимания информации в формах и чеках, визуальных ответов на вопросы по документам, классификации изображений документов и анализа их структуры. Поддерживаемый язык карточки — английский. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных работ на тех же условиях.

LightOnOCR-2-1B-base — базовая версия компактной мультимодальной модели LightOn для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3 с 1 млрд параметров, предназначенная для преобразования страниц PDF, сканов и изображений в чистый текст с естественным порядком чтения. Она поддерживает OCR документов, включая таблицы и формы, и рассчитана на дообучение под специализированные сценарии. Модель описана как чекпойнт до этапа RLVR с сильными возможностями OCR. Её можно адаптировать с помощью LoRA или полного дообучения для обработки чеков, научных статей и форм, а также для многоязычных корпусов. В версии LightOnOCR-2 улучшены обработка французского текста, arXiv-документов, сканов, LaTeX и нормализация. В README заявлены высокая скорость и результаты на OlmOCR-Bench, но подробная методика приведена в статье. Для работы указаны Transformers и предварительный рендеринг страниц PDF в PNG или JPEG; рекомендованный максимальный размер длинной стороны — 1540 пикселей. Модель принимает изображения и выдаёт текст. Поддерживаемые языки: английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, шведский, датский, китайский и японский. Репозиторий распространяется по лицензии Apache-2.0.

LightOnOCR-2-1B-bbox-base — созданный LightOn для дообучения базовый чекпойнт модели LightOnOCR-2. Это плотная vision-language модель семейства Mistral3 с 1 млрд параметров: она принимает изображения страниц документов и генерирует распознанный текст вместе с координатами ограничивающих рамок. Модель предназначена для OCR и извлечения текста из PDF, сканов и изображений с сохранением естественного порядка чтения. Чекпойнт до этапа RLVR рассчитан на адаптацию под конкретные документы и сценарии, где нужна локализация текста; поддерживает дообучение LoRA и обучение с наградой на основе IoU. Семейство LightOnOCR-2 ориентировано на эффективное распознавание документов, включая таблицы, формы, LaTeX и французские материалы. В карточке перечислена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. Для PDF рекомендуется рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. Для работы требуется версия Transformers, установленная из исходного кода. Лицензия — Apache-2.0.

olmOCR-7B-0725 — модель Allen Institute for AI, дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для распознавания текста и извлечения содержимого из изображений документов; для масштабной обработки авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает эффективный инференс с помощью sglang. Модель использует мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает изображение одного документа. В README рекомендовано подавать его с максимальной стороной 1288 пикселей. Метаданные указывают контекст длиной до 128 000 токенов; модель работает с текстом и изображениями, а в качестве основного сценария заявлена обработка документов. Лицензия — Apache-2.0.

Qianfan-VL-8B — мультимодальная модель Baidu для работы с изображениями и текстом, представленная в серии Qianfan-VL и статье Qianfan-OCR. Модель содержит 8 млрд параметров, использует архитектуру на основе Llama 3.1, визуальный энкодер на базе InternViT с динамическим разбиением изображений на фрагменты до разрешения 4K и MLP-адаптер для объединения визуальных и текстовых данных. Заявленная длина контекста — 32 тыс. токенов. Модель предназначена для общего анализа изображений, распознавания текста и понимания документов: извлечения текста из рукописей и изображений, анализа структуры страниц и таблиц, понимания графиков и ответов на вопросы по документам. Поддерживает пошаговое рассуждение, в том числе при анализе графиков и решении математических задач. В карточке указаны английский и китайский языки. Модель распространяется в формате safetensors через Transformers; лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Qwen2.5-VL-32B-Instruct — мультимодальная инструкция-модель семейства Qwen2.5-VL, разработанная командой Qwen. Это плотная модель с 32 млрд параметров на архитектуре Qwen2_5_VL, предназначенная для диалога и анализа изображений и видео; используется через Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель распознаёт объекты и текст на изображениях, анализирует диаграммы, графики и макеты, отвечает на вопросы по визуальным материалам, формирует структурированные данные и локализует объекты с помощью координат, рамок или точек. Она также поддерживает понимание длинных видео с указанием временных отрезков и может выступать визуальным агентом для сценариев управления компьютером или телефоном. README сообщает об улучшенных математических рассуждениях, логике и ответах на вопросы о знаниях. Карточка указывает контекст до 128 000 токенов в метаданных; README уточняет, что базовая конфигурация рассчитана на 32 768 токенов, а для более длинных текстов применяется YaRN. Для изображений поддерживается динамическое разрешение с компромиссом между качеством, скоростью и расходом памяти; для видео в текущем описании поддерживаются локальные файлы. Модель ориентирована на английский язык согласно языковым тегам карточки. Результаты бенчмарков приведены в README, но не гарантируют качество в конкретном сценарии.

DeepSeek-OCR 2 — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она использует архитектуру DeepSeek-VL2 с причинным языковым декодером и рассчитана на запуск через Transformers на GPU NVIDIA; README также упоминает ускоренный инференс и обработку PDF через vLLM. Модель поддерживает динамическое разрешение изображений: указан режим от 0 до 6 фрагментов 768×768 и одного изображения 1024×1024. Размер модели составляет 559,7 млн параметров, контекст — 8192 токена. В карточке заявлена поддержка многоязычного ввода. Модель подходит для извлечения текста с изображений и документов, включая сценарии OCR и работы с PDF. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для запуска README приводит зависимости для Transformers и CUDA; указанные версии окружения могут потребовать соответствующей GPU-конфигурации.

Карточка модели TitanML/DeepSeek-OCR-2 на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR-2, поэтому описание составлено по ней. DeepSeek-OCR 2 — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она использует архитектуру DeepSeek-VL2 с причинным языковым декодером и рассчитана на запуск через Transformers на GPU NVIDIA; README также упоминает ускоренный инференс и обработку PDF через vLLM. Модель поддерживает динамическое разрешение изображений: указан режим от 0 до 6 фрагментов 768×768 и одного изображения 1024×1024. Размер модели составляет 559,7 млн параметров, контекст — 8192 токена. В карточке заявлена поддержка многоязычного ввода. Модель подходит для извлечения текста с изображений и документов, включая сценарии OCR и работы с PDF. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для запуска README приводит зависимости для Transformers и CUDA; указанные версии окружения могут потребовать соответствующей GPU-конфигурации.

Dots.OCR-Latest-BF16 — дообученная версия мультимодальной модели Dots.OCR, опубликованная prithivMLmods. Она предназначена для распознавания и извлечения текста из изображений и сканов документов, включая печатный текст и рукописный курсив. Результат можно получить в виде обычного текста или Markdown с сохранением структуры документа: заголовков, таблиц и списков. Модель использует архитектуру DotsOCRForCausalLM и принимает изображения вместе с текстовым запросом. В README указана мультимодальная основа размером 3B, тогда как метаданные репозитория сообщают 1,5 млрд параметров; заявленное контекстное окно — 131072 токена. Версия BF16 обновлена для совместимости с Transformers 4.57.1. Лицензия — MIT.

H2OVL-Mississippi-800M — компактная мультимодальная модель зрения и языка от H2O.ai с 0,8 млрд параметров. Она построена на архитектуре языковых моделей H2O-Danube и предназначена для диалога и извлечения текстовой информации из изображений. Модель обучена на 19 млн пар «изображение—текст» с упором на распознавание текста, понимание документов, а также интерпретацию диаграмм, рисунков и таблиц. Она ориентирована на OCR и обработку документов; карточка сообщает о сильных результатах в распознавании текста, включая Text Recognition в OCRBench. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы, например извлечённые сведения или структурированное представление содержимого изображения. В репозитории указана лицензия Apache-2.0. Как и другие генеративные модели, она может выдавать ошибочные или нерелевантные ответы; результаты распознавания следует проверять.

LightOnOCR-2-1B-ocr-soup — объединённая версия модели LightOnOCR-2 от LightOnAI. Это плотная vision-language-модель семейства Mistral3 с 1 млрд параметров, предназначенная для преобразования страниц документов в текст с сохранением естественного порядка чтения. Она принимает изображения страниц, в том числе отрисованные из PDF, и подходит для распознавания сканов, таблиц, форм, научных статей и LaTeX. Вариант ocr-soup объединяет базовый чекпойнт с весами, обученными методом RLVR, с помощью слияния task arithmetic; авторы заявляют о более стабильной работе на сложных категориях документов. Для LightOnOCR-2 также заявлены улучшенное покрытие французских документов, arXiv и сканов, а также более чистая нормализация текста. Модель рассчитана на работу через Transformers, поддерживает визуальный ввод и диалоговый интерфейс; для использования требуется версия Transformers, установленная из исходного кода. В карточке приведены сравнительные заявления о скорости и результатах на OlmOCR-Bench, но подробности методики отнесены к статье. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Для подготовки PDF рекомендуется отрисовывать каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей; качество может зависеть от рендеринга и сложности документа.

olmOCR-2-7B-1025-bf16 — преобразованная в формат MLX модель сообщества mlx-community на основе allenai/olmOCR-2-7B-1025. Это визуально-языковая модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров, предназначенная для обработки изображений с выдачей текста. Карточка этой копии отсылает за подробностями к исходной модели. Модель подходит для OCR и извлечения текстовой информации из изображений и документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в виде текста; заявленный родительский чекпойнт поддерживает контекст до 128 000 токенов. По метаданным, исходная модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct, а данная копия преобразована в формат MLX. Лицензия — Apache-2.0.

olmOCR-7B-0825 — модель Allen Institute for AI (Ai2), дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для OCR и преобразования изображений документов в текст; для работы ожидает одно изображение документа, масштабированное так, чтобы его большая сторона составляла 1288 пикселей. Модель имеет мультимодальную плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом 128 000 токенов. Модель можно применять для распознавания и извлечения содержимого из документов; авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает масштабный инференс. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR, представленная авторами проекта в июне 2026 года. Она предназначена для распознавания текста на изображениях и длинного разбора документов за один проход, включая сценарии с преобразованием страниц PDF в изображения. В карточке указаны 559,7 млн параметров, архитектура UnlimitedOCRForCausalLM, контекст 32 768 токенов и работа через Transformers; README также описывает поддержку запуска в vLLM и SGLang. Модель принимает изображения и текстовые запросы, а результат выдаёт в виде текста. Метаданные отмечают мультиязычную поддержку, но конкретные языки не перечисляют. Лицензия — MIT. Карточка связывает модель с Deepseek-OCR, однако точный идентификатор базовой модели не указан.

Soulfate24/OvisOCR2-ASHQ1-Remix-GGUF — GGUF-квантованная версия модели OvisOCR2, созданная на основе ATH-MaaS/OvisOCR2. Она предназначена для извлечения текста и структуры документов со страниц изображений, включая таблицы и формулы, с выдачей результата в Markdown. Модель поддерживает диалоговый режим и обработку изображений; в метаданных для неё указан pipeline image-text-to-text. Репозиторий содержит GGUF-квантизацию с подходом ASHQ1-Remix, описанным автором как activation-aware. Модель распространяется по лицензии Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.