I.3Извлечение и структурирование данных

Qwen2.5-VL-32B-Instruct — мультимодальная инструктивно настроенная модель семейства Qwen, опубликованная в репозитории Unsloth и основанная на Qwen/Qwen2.5-VL-32B-Instruct. Это плотная модель на 32 млрд параметров с архитектурой Qwen2_5_VLForConditionalGeneration, предназначенная для диалога по изображениям и видео и генерации текстовых ответов. Контекст модели по метаданным составляет до 128 000 токенов; в README описаны обработка изображений с динамическим разрешением и видео с выборкой кадров по времени. Модель распознаёт объекты и текст на изображениях, анализирует диаграммы и макеты, локализует объекты с помощью координат, отвечает на вопросы о содержимом изображений и видео и формирует структурированные данные, например из счетов и форм. Также README отмечает улучшенные математические рассуждения и поддержку сценариев визуального агента с использованием инструментов. В README указано, что для длинных текстов свыше 32 768 токенов применяется YaRN; это следует учитывать при настройке обработки контекста, поскольку конфигурация README задаёт именно эту длину до экстраполяции. Для видео описана поддержка локальных файлов, а совместимость URL зависит от версии сторонней библиотеки. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-72B-Instruct — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; репозиторий unsloth содержит вариант модели в формате GGUF. Модель предназначена для обработки изображений, текста и видео, включая визуальные вопросы и ответы, распознавание текста, анализ документов, таблиц, графиков и макетов, а также извлечение структурированных данных из счетов, форм и сканов. Модель содержит 72 миллиарда параметров и основана на Qwen2.5-VL. Она использует vision-language архитектуру с оптимизированным vision encoder на базе ViT, оконным вниманием, SwiGLU и RMSNorm. Для видео применяются динамические разрешение и частота кадров, что позволяет анализировать длительные ролики продолжительностью более часа и находить релевантные временные сегменты. Модель также поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, стабильный JSON-вывод координат и атрибутов, а также сценарии компьютерного и мобильного управления. В метаданных указан английский язык; поддержка китайского также отражена в результатах OCRBench-V2. К сильным сторонам относятся анализ сложных визуальных материалов, OCR, понимание документов и графиков, обработка длинных видео, локализация объектов и формирование структурированных ответов. Ограничениями являются большой размер модели и, как следствие, высокие требования к вычислительным ресурсам; конкретные требования к памяти и производительности в README не указаны. Модель распространяется по лицензии Qwen; точные условия следует уточнять в файле лицензии по указанной ссылке.

Qwen2.5-VL-7B-Instruct — мультимодальная модель семейства Qwen от команды Qwen, дообученная для следования инструкциям. Она принимает изображения и видео вместе с текстовыми запросами и генерирует текстовые ответы; число параметров — 7,1 млрд, архитектура — плотная Qwen2.5-VL. Модель предназначена для визуального анализа, диалога по изображениям и видео, распознавания текста и структуры документов, а также для сценариев визуального агента. Модель распознаёт объекты и анализирует текст, диаграммы, графики, значки и макеты на изображениях, может локализовать объекты с помощью рамок или точек и формировать структурированные данные, например содержимое счетов, форм и таблиц. Для видео заявлена обработка роликов длительностью более часа и поиск релевантных моментов. В метаданных указан контекст до 128 000 токенов; README описывает конфигурацию на 32 768 токенов и расширение контекста YaRN до более длинных входов, которое может ухудшать пространственную и временную локализацию. Поддерживаются английский и чатовый режим; для входных изображений доступно динамическое разрешение, а обработка видео в описанном интерфейсе рассчитана на локальные файлы. Лицензия — Apache-2.0.

Xiaomi-OCR-0 — компактная мультимодальная модель для распознавания и понимания документов, разработанная SeerRay Lab на основе Qwen3.5-0.8B-Base. Это плотная vision-language модель с 0,8 млрд параметров, дообученная на корпусе примерно из 170 млн примеров OCR-задач; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения документов и текстовые запросы, а в ответ формирует текст: распознаёт и структурирует содержимое страниц, включая таблицы и формулы, отвечает на вопросы по документам и извлекает ключевые поля. В карточке приведены результаты на наборах для стандартных, искажённых и переснятых документов, OCR-вопросов, распознавания формул и таблиц. Заявленные показатели являются результатами разработчиков и не гарантируют качество на конкретных данных. Модель рассчитана на задачи OCR и анализа документов, в том числе чеков, сканов, фотографий и рукописного текста. Длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

coreOCR-7B-050325-preview — модель prithivMLmods, дообученная на базе Qwen/Qwen2-VL-7B-Instruct для распознавания текста и анализа документов по изображениям. Она построена на архитектуре Qwen2-VL, содержит 7,1 млрд параметров, принимает изображения и текстовые запросы и формирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Модель предназначена для извлечения текста и структурированных данных из сканов, PDF, форм, счетов и научных статей, а также для ответов на вопросы по изображениям и преобразования математических выражений в LaTeX. Карточка также заявляет поддержку видео, длинных последовательностей и визуально управляемых действий, однако метаданные подтверждают только задачу image-text-to-text. Модель поддерживает многоязычные OCR-сценарии, но отдельные языки в метаданных и README не перечислены. Качество может снижаться на зашумлённых или низкокачественных изображениях и редких письменностях; возможны неполные или галлюцинированные ответы при длинных запросах, а размер модели затрудняет запуск на устройствах с ограниченной памятью. Распространяется по лицензии Apache-2.0.

DeepSeek-OCR — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она предназначена для извлечения текста из визуальных материалов, включая страницы документов; README также указывает поддержку обработки PDF через vLLM. Модель основана на архитектуре DeepSeek-VL2 и содержит 559,7 млн параметров. Она принимает изображения и текстовые запросы, а результат формирует в виде текста; заявлен контекст до 8192 токенов и многоязычная поддержка. В качестве среды запуска README описывает Transformers на GPU NVIDIA, а также отмечает поддержку vLLM. Модель доступна по лицензии MIT. README не приводит подробных оценок качества и перечня поддерживаемых языков, поэтому применимость к конкретному языку или типу документа следует проверять на собственных данных.

DeepSeek-OCR 2 — модель компьютерного зрения и обработки текста из изображений семейства DeepSeek, представленная в репозитории deepseek-community. Она предназначена для распознавания текста и преобразования документов в Markdown; режим grounding позволяет связывать извлечённый текст с координатами областей изображения через специальные теги. Модель использует архитектуру DeepseekOcr2ForConditionalGeneration и принимает изображения с текстовой инструкцией, выдавая текст. Поддерживается динамическое разрешение: базовый режим обрабатывает изображения с несколькими фрагментами 768×768 и дополнительным изображением 1024×1024. В карточке указана многоязычная поддержка, но конкретные языки не перечислены. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README также указывает на ускоренный инференс через vLLM и обработку PDF, однако детали этих сценариев находятся во внешней инструкции.

Карточка модели Francs6/DeepSeek-OCR-2-endpoint 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.

docscopeOCR-7B-050425-exp — модель prithivMLmods, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Это плотная мультимодальная модель семейства Qwen2.5-VL с 7,1 млрд параметров, принимающая изображения и текст и выдающая текст; заявленная длина контекста — 128 000 токенов. Модель предназначена для OCR многостраничных документов, извлечения структурированных данных из счетов, форм и отчетов, визуальных вопросов и ответов, а также распознавания математических выражений с форматированием LaTeX. В README также заявлены понимание длинных видео и визуально управляемое взаимодействие с устройствами. Поддержка видео и управления устройствами описана в карточке, однако отдельные соответствующие задачи в метаданных не подтверждены. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Модель может ошибаться на низкокачественных или частично закрытых изображениях, а также на редких языках и письменностях; обработка видео требует значительных ресурсов и не рассчитана на потоковый режим. Выпускается под лицензией Apache-2.0.

Garnet-OCR-7B-0422-i1-GGUF — это квантованная версия vision-language модели Garnet-OCR-7B-0422, разработанной prithivMLmods и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для обработки изображений документов, OCR, преобразования PDF и изображений в Markdown, извлечения структурированных данных, распознавания и связывания элементов документов, а также задач Intelligent Document Processing и Key Information Extraction. Модель имеет размер 7B параметров, поддерживает визуально-текстовый ввод и, согласно метаданным, английский язык. Она обучалась на наборах данных OpenDoc-Pdf-Preview, Opendoc1-Analysis-Recognition, olmOCR-mix-0225, Openpdf-Analysis-Recognition и OCR-Markdown-Dense-200x. Контекст, точная архитектура vision-компонента и перечень поддерживаемых форматов изображений в README не указаны. Репозиторий содержит множество вариантов квантования GGUF объёмом примерно от 2,0 до 6,4 ГБ; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Сильная сторона модели — специализация на OCR и понимании структуры документов, включая генерацию Markdown и извлечение информации. Ограничения связаны с потерями качества при низких уровнях квантования, а также с отсутствием в README подробных оценок качества, описания контекстного окна и характеристик инференса. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Указанная лицензия — Apache-2.0.

Granite-3.2-8B-Instruct — плотная языковая модель IBM Granite Team с 8,2 млрд параметров, дообученная на базе ibm-granite/granite-3.1-8b-instruct для выполнения инструкций и задач рассуждения. Модель поддерживает управляемый режим рассуждения, который можно включать по необходимости, и работает через библиотеку Transformers; доступны веса в формате safetensors. Модель предназначена для диалоговых помощников и общих прикладных сценариев: суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций. Контекст — до 131 072 токенов, что подходит для анализа длинных документов и стенограмм. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель распространяется по лицензии Apache 2.0. README указывает, что к ней применимы этические ограничения и ограничения Granite-3.1-8B-Instruct; конкретные ограничения в карточке не перечислены.

IndicOCR — разработанная Bodhan AI модель для распознавания текста и разбора страниц документов на английском и индийских языках. Она принимает изображение страницы и формирует упорядоченный по чтению Markdown, а также структурированные данные JSON по блокам. Система состоит из двух этапов: IndicDocLayout на базе PP-DocLayoutV3/RT-DETR обнаруживает и упорядочивает элементы страницы, а IndicBlockOCR на базе Qwen3.5-0.8B распознаёт текстовые блоки. Размеры компонентов составляют 33 млн и 0,8 млрд параметров соответственно; распознаватель использует токенизатор Sarvam-30B. Модель предназначена для OCR и разбора документов, включая печатный текст на английском и 22 индийских языках, а также рукописный текст на английском и 12 индийских языках. Она поддерживает сохранение порядка чтения, представление формул в LaTeX и таблиц в HTML или Markdown. По умолчанию изображения, диаграммы, реклама, колонтитулы и верхние/нижние колонтитулы определяются, но не передаются распознавателю; в JSON для них остаётся пустой текст. Качество распознавания рукописного текста ещё улучшается и зависит от стиля письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

ridwanFatur98/invoice-doc-to-text — модель для разбора счетов-фактур, построенная на архитектуре Donut типа vision-encoder-decoder. Она принимает изображение документа и генерирует текстовое представление его содержимого; модель предназначена для извлечения данных из счетов и автоматизации их обработки. Репозиторий содержит веса в формате safetensors и рассчитан на загрузку через Transformers с DonutProcessor и VisionEncoderDecoderModel. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или лицензию. Поэтому область применения по языкам и условия использования не уточняются; качество распознавания может зависеть от вида, качества и языка исходного счета.

LayoutLM Base Uncased — модель Microsoft Document AI для понимания изображений документов и извлечения из них информации. Она предварительно обучена на сочетании текста, пространственного расположения элементов и изображения документа, чтобы учитывать не только содержание, но и структуру страницы. Модель предназначена для задач обработки форм и чеков, а также других сценариев анализа документов. Архитектура LayoutLM содержит 12 слоёв, скрытый размер 768 и 12 голов внимания; размер по метаданным — 136,7 млн параметров. Модель принимает текстовые данные с координатами элементов и изображение документа; заявленная длина контекста составляет 512 токенов. В карточке указаны английский язык и форматы PyTorch, Safetensors и TensorFlow. Модель обучена на наборе IIT-CDIP Test Collection 1.0. Для применения требуется учитывать расположение текста на странице; карточка описывает предобученный метод, но не приводит подробностей по оценке качества на конкретной задаче или ограничениям эксплуатации. Лицензия — MIT.

LightOnOCR-2-1B-bbox — компактная зрительно-языковая модель LightOn на 1 млрд параметров для извлечения текста и координат областей с изображений документов. Она обрабатывает страницы PDF, сканы и фотографии как изображения и выдаёт текст в естественном порядке вместе с точными ограничивающими рамками; для уточнения локализации модель дообучена с помощью RLVR и вознаграждения на основе IoU. Модель предназначена для OCR и разбора документов, включая формы, таблицы и страницы с изображениями. В карточке отмечены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Авторы сообщают о высокой скорости и результатах на OlmOCR-Bench, однако приведённые сравнения не содержат полного описания условий и методики; для работы с PDF страницы следует предварительно преобразовать в изображения, сохранив пропорции и ориентируясь на размер длинной стороны 1540 пикселей. Модель построена на архитектуре Mistral3 и распространяется в формате safetensors. Для запуска авторы указывают Transformers, установленный из исходного кода, а также Pillow и pypdfium2. Лицензия — Apache-2.0.

LightOnOCR-2-1B-bbox-soup — объединённая модель LightOnAI на 1 млрд параметров для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3, принимающая изображения страниц и выдающая текст; вариант bbox-soup объединяет улучшения OCR с обучением на локализацию текста и предназначен также для вывода ограничивающих рамок. Модель подходит для преобразования PDF-страниц, сканов и фотографий документов в текст с естественным порядком чтения, обработки таблиц и форм, а также локализации текста на изображении. В карточке заявлены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Для PDF рекомендуется предварительно рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. README сообщает о высокой скорости и результатах на OlmOCR-Bench, но численные сравнения в карточке приведены неполно, поэтому их следует сверять с публикацией. Для работы требуется версия Transformers из исходного кода, ещё не включённая в стабильный выпуск. Модель распространяется по лицензии Apache-2.0.

Mungert/LightOnOCR-2-1B-GGUF — GGUF-версия LightOnOCR-2-1B, разработанная LightOn. Это эффективная vision-language-модель примерно на 1 млрд параметров для сквозного распознавания и понимания документов: PDF-файлов, сканов и изображений. Модель преобразует документы в чистый текст с естественным порядком чтения без внешнего OCR-конвейера. Модель предназначена для обработки таблиц, чеков, форм, многостолбцовых макетов и математических обозначений, включая LaTeX. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. В README не указаны размер контекстного окна и подробности внутренней архитектуры. Для стандартной версии с идентификатором Mungert/LightOnOCR-2-1B-GGUF предсказание bounding box для встроенных изображений не заявлено; такая возможность относится к отдельному варианту bbox. К сильным сторонам относятся компактный размер, высокая скорость, end-to-end обработка и универсальность для различных типов документов. По заявлению разработчика, LightOnOCR-2 превосходит конкурирующие решения по скорости и показывает state-of-the-art результаты на OlmOCR-Bench, однако конкретные методики и значения бенчмарков в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

MinerU-Diffusion-V1-0320-2.5B — модель семейства MinerU-Diffusion от OpenDataLab для распознавания текста и структуры документов по изображениям. Она рассматривает OCR как задачу обратного рендеринга и использует блочное диффузионное декодирование с параллельной обработкой блоков вместо последовательного авторегрессионного вывода. Модель предназначена для OCR документов и понимания их содержимого. В README заявлены ускорение декодирования до 3,26 раза относительно MinerU2.5 и возможность выбирать компромисс между скоростью и точностью: например, ускорение в 2,12 раза при относительной точности 99,9%. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. README не сообщает поддерживаемые языки, длину контекста или подробности архитектуры и размера; суффикс 2.5B в названии указывает на размер модели, но отдельного подтверждения в метаданных нет. Модель распространяется по лицензии MIT. Для загрузки указана метка trust-remote-code, поэтому используйте только доверенный код репозитория.

olmOCR-7B-faithful — дообученная модель tngtech на базе allenai/olmOCR-7B-0225-preview для извлечения информации из изображений документов. Она нацелена на полноту распознавания и включает сведения из заголовков и нижних колонтитулов. Модель использует архитектуру Qwen2-VL с 7,1 млрд параметров, принимает изображения и текстовые инструкции и формирует текстовый ответ. Контекст — до 32 768 токенов. Подходит для извлечения текста и содержимого страниц документов, включая PDF после преобразования страниц в изображения. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0.

PaddleOCR-VL-1.6-i1-GGUF — квантизированная версия мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для анализа изображений документов и преобразования их содержимого в структурированные текстовые данные, включая OCR, разбор макета, таблиц, формул, графиков, печатей и других элементов, а также для задач spotting. Заявлена поддержка английского, китайского и других языков. Модель работает с визуально-текстовыми данными и распространяется в виде набора вариантов квантизации i1, включая IQ- и Q-форматы размером примерно от 0,3 до 0,5 ГБ. README не содержит сведений о точной архитектуре, числе параметров и размере контекста. Преимущество набора — возможность выбрать компромисс между размером, скоростью и качеством; для некоторых вариантов отдельно отмечены высокая скорость или оптимальное соотношение характеристик. Ограничения связаны с потерями качества у низкобитных вариантов квантизации, а также с отсутствием в README подробных результатов оценки. Лицензия — Apache-2.0.

PaddleOCR-VL-1.6-MLX-8bit — 8-битная MLX-квантизация мультимодальной модели PaddleOCR-VL-1.6, разработанной командой PaddlePaddle. Модель предназначена для локального разбора документов на устройствах Apple Silicon, включая OCR полноформатных страниц, анализ структуры и компоновки, распознавание таблиц, формул, графиков, печатей, а также обнаружение и распознавание текста. Она принимает изображения и генерирует результаты в форматах Markdown и JSON; текстовые входы без изображения не поддерживаются. Модель содержит около 0,9 млрд параметров и использует архитектуру PaddleOCRVLForConditionalGeneration на базе ERNIE-4.5 с пользовательским типом модели paddleocr_vl. Контекст составляет до 131 072 токенов, поддерживаются английский, китайский и другие языки; заявлена мультиязычность. Версия адаптирована для MLX и занимает около 1,09 ГБ на диске. Повышенный предел разрешения до 4 064 256 пикселей оптимизирован для распознавания мелкого текста на полноразмерных страницах, но увеличивает время обработки примерно в пять раз по сравнению с исходным ограничением. Работает через mlx-vlm и требует Apple Silicon, а также trust_remote_code=True. Сильные стороны модели — локальная обработка данных без отправки документов во внешние сервисы, поддержка сложных элементов документов и высокая заявленная точность базовой модели: 96,3% на OmniDocBench v1.6. 8-битная квантизация может немного снизить точность по сравнению с версиями bf16/fp16. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Это зеркало инструктивной мультимодальной модели Qwen2.5-VL-7B от команды Qwen, опубликованное пользователем chibifire. Модель принимает изображения, видео и текст, а генерирует текст; она предназначена для диалогового анализа визуального содержимого и локального инференса. В репозитории находятся веса в формате safetensors, токенизатор, шаблон чата и конфигурации процессора и генерации. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Зеркало основано на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии Apache-2.0. Карточка описывает английский язык; возможности для других языков здесь не подтверждены.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Репозиторий основан на Qwen/Qwen2.5-VL-7B-Instruct и содержит 7B-версию модели в формате GGUF. Указана лицензия Apache-2.0; заявленный язык — английский, задача — преобразование изображений и текста в текст. Модель предназначена для анализа изображений, документов, диаграмм, таблиц, графики и макетов, распознавания текста, визуального вопросно-ответного взаимодействия, структурированного извлечения данных из счетов и форм, визуальной локализации объектов с помощью координат или точек, а также анализа видео. Она может обрабатывать длинные видео длительностью более часа и выделять релевантные моменты. Также заявлены сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель Qwen2.5, vision encoder ViT с window attention, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическую частоту выборки кадров видео. Для временного измерения используется mRoPE с идентификаторами и абсолютным выравниванием времени. Ключевые сильные стороны — распознавание документов и текста, понимание диаграмм и видео, генерация структурированных результатов и визуальная локализация. Ограничения: README не содержит точных требований к ресурсам, максимального контекста, полного списка поддерживаемых языков и подробностей качества GGUF-квантизации; приведённые результаты зависят от конкретных бенчмарков и настроек.

Карточка модели VECTORVV1/READ-PRO-OCR на Hugging Face совпадает с карточкой lenhattruong165/orc-deepseek-unli, поэтому описание составлено по ней. 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.

Карточка модели 8u113t/Unlimited-OCR на Hugging Face совпадает с карточкой lenhattruong165/orc-deepseek-unli, поэтому описание составлено по ней. 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.

Unlimited-OCR — мультимодальная модель оптического распознавания символов, разработанная авторами проекта при поддержке команды Baidu Cloud. Она предназначена для распознавания и разбора текста на изображениях, в том числе для длинных документов и сценариев, где требуется обработать содержимое за один проход. Модель имеет плотную архитектуру UnlimitedOCRForCausalLM и содержит 559,7 млн параметров; заявленное контекстное окно — 32 768 токенов. Поддерживает работу через Transformers, vLLM и SGLang. Модель принимает изображения и формирует текстовый результат, а также может использоваться для генерации текста. Карточка характеризует её как мультиязычную, но конкретные языки не перечислены. Репозиторий распространяется в формате safetensors по лицензии MIT. Практические требования включают совместимое GPU-окружение; README приводит конфигурации на базе CUDA.

ATH-MaaS_OvisOCR2-GGUF — это квантизированная GGUF-версия мультимодальной модели OvisOCR2, разработанной ATH-MaaS. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для оптического распознавания символов и разбора документов по изображениям, включая преобразование содержимого в Markdown, обработку таблиц и формул. Она относится к классу image-text-to-text и может применяться в сценариях автоматического извлечения текста и структуры из документов. Модель поддерживает мультимодальный ввод, однако README не указывает её точную архитектуру, число параметров, поддерживаемые языки и размер контекстного окна. Доступны варианты от BF16 до различных уровней квантизации, примерно от 0,48 до 1,52 ГБ. Более качественными считаются варианты Q5–Q8, тогда как Q2–Q3 экономят память ценой снижения качества. Файлы рассчитаны на запуск через llama.cpp и совместимые инструменты, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. К сильным сторонам относятся специализация на OCR и разборе документов, поддержка таблиц и формул, а также широкий выбор квантизаций для устройств с разным объёмом памяти. Ограничения связаны с возможной потерей качества в низкобитных вариантах и отсутствием в README подробных сведений о языках, производительности и рекомендуемых аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

C4AI Command A в репозитории unsloth — производная версия модели Cohere Command A, разработанной Cohere и Cohere For AI. Это авторегрессионная плотная трансформерная языковая модель на 111,1 млрд параметров для диалога, генерации текста, корпоративных сценариев, работы с документами и агентных приложений. Модель поддерживает вызов инструментов через диалоговый шаблон и специально обучена выполнять заключительный этап RAG, включая ответы с цитатами по переданным фрагментам документов. Модель принимает и генерирует только текст. Её контекстное окно составляет 262 144 токена. Архитектура использует скользящее внимание с окном 4096 токенов в трёх слоях и глобальное внимание в четвёртом; обучение включало контролируемую настройку и обучение предпочтениям. Заявлена поддержка 23 языков, включая русский, английский, французский, китайский и арабский. Модель подходит для многоязычного чата, ответов с опорой на документы, суммаризации, извлечения информации и задач с использованием инструментов. Для запуска требуются значительные вычислительные ресурсы, несмотря на заявленную разработчиками возможность развёртывания на двух GPU. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; также требуется соблюдать политику допустимого использования C4AI.

Chandra OCR 2 NVFP4A16 — это неофициальная community-квантизация модели datalab-to/chandra-ocr-2, подготовленная пользователем dangvansam. Модель предназначена для OCR документов и PDF с сохранением структуры и разметки, включая преобразование содержимого в Markdown и обработку макета страниц. Это мультимодальная vision-language модель, принимающая изображения страниц и текстовые инструкции; поддерживает работу через vLLM с OpenAI-совместимым API и через Transformers. Вариант использует квантизацию NVFP4A16: веса линейных слоёв представлены в 4-битном формате NVFP4, а активации — в FP16. Vision tower, lm_head и отдельные компоненты attention сохранены в FP16/BF16. Размер упакованных весов составляет около 11 ГБ. Максимальная длина контекста в рекомендованной конфигурации vLLM — 16 384 токена. Основное преимущество варианта — высокая скорость при параллельной постраничной обработке на GPU архитектуры Blackwell: в приведённом тесте достигнуто около 5058 мс на страницу, что в 2,5 раза быстрее базовой версии BF16. Для последовательной обработки одного документа преимущество может быть ниже, и в README рекомендуется FP8_DYNAMIC. Модель лучше всего подходит для пакетного OCR с одновременной обработкой страниц на Blackwell GPU, включая RTX PRO 6000, B100/B200 и RTX 5090. На Hopper она запускается медленнее через программную эмуляцию, а для Ada и более старых архитектур этот формат не рекомендуется. Для работы через vLLM требуется версия не ниже 0.19.1. Модель наследует лицензию OpenRAIL-M исходной модели: разрешены исследовательское и личное использование, а также использование стартапами с доходом менее 2 млн долларов; применение в конкурирующих с API Datalab продуктах запрещено. Для более широкого коммерческого использования предлагается обратиться к условиям Datalab.

Это адаптированная для запуска и дообучения в актуальной версии Transformers копия DeepSeek-OCR-2 от Unsloth. Она основана на DeepSeek-OCR-2 от DeepSeek и использует плотную архитектуру Deepseek-VL-v2 с классом DeepseekOCR2ForCausalLM; в репозитории указано 559,7 млн параметров и формат safetensors. Изображения обрабатываются с динамическим разрешением: карточка описывает режим с несколькими кадрами 768×768 и дополнительным изображением 1024×1024. Контекст модели составляет 8192 токена. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии обработки PDF. Для запуска README приводит конфигурацию на базе Transformers и NVIDIA GPU; также упоминается ускорение инференса через vLLM. Поддерживается многоязычное применение, однако конкретный перечень языков не приведён. Заявлено, что адаптация загрузки не меняет точность. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных ограничений; для указанного сценария требуются GPU и зависимости из инструкции по запуску.