I.3Извлечение и структурирование данных

ABrunsch/Unlimited-OCR-repacked — перепакованная копия мультимодальной модели Unlimited-OCR, разработанной Baidu. По README, веса соответствуют оригинальной версии; отличие репозитория — разбиение Safetensors на четыре файла для хранения и передачи. Модель предназначена для распознавания текста и разбора длинных документов по изображениям; README также описывает преобразование PDF-страниц в изображения для подачи модели. Архитектура — плотная UnlimitedOCRForCausalLM с 559,7 млн параметров и контекстом 32 768 токенов. Модель работает с изображениями и текстом, заявлена как мультиязычная. Метаданные указывают задачи image-text-to-text и text-generation; для сценария OCR основная задача — image-text-to-text. Репозиторий использует Transformers и формат Safetensors. Лицензия — MIT. Для запуска README приводит GPU-ориентированные варианты Transformers, vLLM и SGLang.

sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

V-ORC — дообученная GIGAParviz компактная мультимодальная модель на базе unsloth/PaddleOCR-VL. Она предназначена для распознавания текста и извлечения сведений из изображений документов, а также для диалогового взаимодействия с визуальным содержимым. Модель имеет архитектуру PaddleOCR-VL с 318,2 млн параметров, принимает изображения и текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано обучение с использованием Unsloth и Hugging Face TRL; отдельные показатели качества для этой версии не приведены.

Calcium-Opus-14B-Elite2-R1 — плотная языковая модель семейства Qwen2, разработанная PrithivMLmods и дообученная на синтетических данных на основе DeepSeek R1 для усиления рассуждений. Модель содержит 14 млрд параметров, принимает текст и предназначена для генерации ответов, следования инструкциям и многошагового решения задач. Метаданные указывают контекст до 131 072 токенов; карточка заявляет поддержку до 128K токенов и генерацию ответов до 8K токенов. Модель рассчитана на логические и математические задачи, программирование, работу со структурированными данными, создание длинных текстов и многоязычные диалоги. Карточка заявляет поддержку более 29 языков, а метаданные явно отмечают английский. Лицензия — Apache 2.0. Для эффективного вывода нужны значительные вычислительные ресурсы; качество может различаться между языками, длинные ответы могут содержать несогласованности, а знания ограничены данными обучения и могут быть неактуальными.

Chitrapathak-1 — мультиязычная OCR-модель от Krutrim AI Labs для распознавания текста на изображениях документов. Она использует мультимодальную архитектуру LLaVA-типа: визуальный энкодер CLIP ViT-L/14-336, двухслойный MLP-проектор и языковую модель Krutrim-1 7B. Модель преобразует документ в текст напрямую; для плотных страниц применяет разбиение изображения на фрагменты с учётом его пропорций и общий обзор страницы. Модель предназначена для транскрибирования печатных документов на хинди, санскрите, бенгальском, маратхи, тамильском, телугу, каннада, малаялам, пенджаби и ория. По карточке, обучение включало мультимодальное предварительное обучение проектора и последующую настройку на OCR-данных: визуальный энкодер оставался замороженным, а на втором этапе совместно обучались проектор и языковая модель. Модель представлена в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в материалах проекта.

DeepSeek-AI выпустила DeepSeek-VL2 — семейство плотных по структуре Mixture-of-Experts моделей для мультимодального понимания изображений и текста. Полная версия построена на DeepSeekMoE-27B; для семейства также представлены варианты Tiny с 1,0 млрд и Small с 2,8 млрд активируемых параметров, а полная версия использует 4,5 млрд активируемых параметров. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, понимания документов, таблиц и диаграмм, а также визуального заземления. README сообщает о конкурентных результатах при сопоставимом или меньшем числе активируемых параметров по сравнению с рядом открытых плотных и MoE-моделей. Метаданные указывают архитектурное семейство DeepSeek-VL2, библиотеку Transformers и формат весов safetensors. Для входных изображений README рекомендует разрешение 384×384 без разбиения на фрагменты. Лицензия обозначена как other, поэтому конкретные права использования следует сверить с условиями репозитория.

Document-Type-Detection — модель классификации изображений документов, разработанная prithivMLmods на основе SigLIP 2 base patch16-224 и дообученная для распознавания шести типов документов на сканах и фотографиях: рекламных материалов, рукописных документов, счетов, писем, новостных статей и резюме. Она предназначена для автоматической сортировки документов, предварительной маршрутизации в OCR-конвейерах, цифрового архивирования и систем управления корпоративными документами. Модель принимает изображение документа и возвращает класс документа. Архитектура — SigLIP для классификации изображений; карточка указывает поддержку английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не описаны.

Thien0103 дообучил модель microsoft/trocr-base-stage1 на наборе данных, который в карточке не описан. Это модель архитектуры VisionEncoderDecoder для распознавания текста на изображениях; карточка указывает задачу image-text-to-text и поддержку обработки изображений. Модель подходит для извлечения текста с изображений и сканированных документов. Подробности о данных, обозначенных в названии направлениях распознавания, а также результаты оценки в карточке не приведены. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

unsloth/gemma-4-12b — мультимодальная версия Gemma 4 12B, подготовленная Unsloth на базе google/gemma-4-12B. Это плотная модель семейства Gemma 4 с архитектурой Gemma4UnifiedForConditionalGeneration, предназначенная для обработки изображений и текста и генерации текстовых ответов. В карточке указаны гибридное внимание с локальными скользящими окнами и глобальными слоями, поддержка контекста до 256K токенов для Gemma 4 12B, а также возможности понимания изображений и видео, распознавания текста на изображениях, работы с кодом и вызова инструментов. Модель подходит для диалогов, анализа документов и графиков, распознавания объектов, чтения экранов интерфейсов, генерации и исправления кода, а также для агентных сценариев со структурированным вызовом инструментов. Семейство Gemma 4 поддерживает более 35 языков «из коробки»; README также указывает аудиовозможности для 12B, включая распознавание речи и перевод речи в текст. Формат файлов этого репозитория — safetensors. Лицензия — Apache-2.0. Качество ответов зависит от формулировки запроса и охвата обучающих данных; модель может ошибаться в фактах, испытывать трудности с тонкими языковыми нюансами и сложными открытыми задачами, а также воспроизводить смещения данных. README описывает возможности семейства Gemma 4 в целом, поэтому отдельные заявления о сценариях следует сверять с поведением именно этого чекпойнта.

Карточка модели utkarsh2439/gemma-4-12B-it на Hugging Face совпадает с карточкой RedHatAI/gemma-4-12B-it, поэтому описание составлено по ней. Gemma 4 12B IT — мультимодальная модель Google DeepMind на архитектуре Gemma4 Unified, дообученная для следования инструкциям. Она принимает текст, изображения, видео и аудио и генерирует текст; поддерживает диалоги, рассуждения, программирование и вызов инструментов. Модель подходит для локального развёртывания на потребительских устройствах и для задач с длинным контекстом до 256 тыс. токенов. Модель может анализировать изображения и документы, распознавать текст и рукописный ввод, разбирать диаграммы и интерфейсы, а также анализировать видео по кадрам. Для аудио доступны распознавание речи и перевод речи в текст. Семейство Gemma 4 поддерживает более 140 языков в обучении, а карточка сообщает о мультиязычных возможностях; точный список языков для этой версии не приведён. Модель распространяется под лицензией Apache 2.0. Как и другие генеративные модели, она может допускать фактические ошибки; результаты распознавания, перевода и анализа следует проверять. Для видеовхода анализ выполняется по последовательностям кадров.

coder3101/gemma-4-12B-it-heretic — мультимодальная инструкционная модель на базе Google Gemma 4 12B IT. Это дообученная версия с маркировками heretic, uncensored и decensored; автор README описывает семейство Gemma 4 как модель для рассуждений, диалога, агентных сценариев, программирования и анализа мультимодальных данных. Архитектура — плотная Gemma4UnifiedForConditionalGeneration с гибридным вниманием: локальные скользящие окна чередуются с глобальным вниманием. Модель принимает текст, изображения, видео и аудио и генерирует текст. Для семейства заявлены распознавание объектов, OCR, извлечение данных из документов, понимание интерфейсов и графиков, анализ видеокадров, распознавание речи и перевод речи в текст; также поддерживаются вызовы инструментов. README указывает поддержку более 35 языков на уровне модели семейства, но не перечисляет их по отдельности. Для версии 12B заявлен контекст до 256 тысяч токенов. Модель подходит для диалоговых помощников, программирования, анализа документов и изображений, транскрибации речи и мультимодальных агентных сценариев. Возможны фактические ошибки, трудности с неоднозначностью и сложными открытыми задачами, а также смещения из обучающих данных; маркировка uncensored указывает на ослабление ограничений безопасности, но конкретные изменения и оценки в README не описаны. Лицензия — Apache-2.0.

Карточка модели ArchiveStudio/gemma-4-26B-A4B на Hugging Face совпадает с карточкой vmo247/vmo-gemma-4-26b-a4b-ft, поэтому описание составлено по ней. vmo247/vmo-gemma-4-26b-a4b-ft — мультимодальная модель, дообученная на базе Google Gemma 4 26B A4B. Она построена на архитектуре Gemma 4 для генерации текста по текстовым и графическим запросам и поддерживает диалоговый режим и анализ изображений. Вариант 26B A4B относится к MoE-моделям семейства; для Gemma 4 этого размера заявлено контекстное окно до 256K токенов и поддержка более 140 языков на уровне семейства. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста на изображениях, анализа графиков и интерфейсов, а также для диалогов, рассуждений, написания и исправления кода. В карточке этой производной модели не приведены отдельные результаты оценки качества; возможности видео и аудио, упомянутые для семейства Gemma 4, не подтверждены для данного 26B-варианта. Распространяется по лицензии Apache 2.0.

Это вариант Gemma 4 26B A4B, подготовленный Unsloth на базе google/gemma-4-26B-A4B и распространяемый в формате safetensors. Модель семейства Gemma 4 использует гибридное внимание: сочетает локальное скользящее окно с глобальным вниманием. Вариант предназначен для мультимодальной работы с изображениями и текстом; заявленное семейство поддерживает контекст до 256 тысяч токенов и многоязычную работу более чем с 35 языками. Модель подходит для диалогов, рассуждений, программирования, вызова инструментов и анализа изображений: например, распознавания текста, разбора документов и PDF, понимания диаграмм и интерфейсов. Карточка также описывает видеоанализ для семейства Gemma 4, но не подтверждает отдельно его поддержку именно этим вариантом. Аудиовозможности указаны только для моделей E2B и E4B и к этому варианту не относятся. Возможны ошибки в фактах, трудности с неоднозначными формулировками и сложными открытыми задачами, а ответы могут отражать смещения обучающих данных. Лицензия — Apache 2.0.

Карточка модели eyentsign/gemma-4-31B-it-uncensored-heretic на Hugging Face совпадает с карточкой llmfan46/gemma-4-31B-it-uncensored-heretic, поэтому описание составлено по ней. llmfan46 подготовил Gemma 4 31B IT Uncensored Heretic — дообученную версию мультимодальной Gemma 4 31B IT от Google DeepMind. В README указано изменение компонента attn.o_proj; модель предназначена для диалогов, рассуждений, агентных сценариев, программирования и понимания изображений. Она принимает текст и изображения, поддерживает вызов инструментов и может разбирать документы, графики и интерфейсы, извлекать текст с изображений и отвечать на вопросы по визуальному содержимому. В основе — плотная архитектура Gemma4ForConditionalGeneration с чередованием локального скользящего и глобального внимания. Для исходной модели Gemma 4 31B IT заявлен контекст до 256 тысяч токенов и поддержка более 35 языков; метаданные указывают Transformers и формат safetensors. README также описывает видео и аудио для семейства Gemma 4, однако аудио заявлено только для вариантов E2B и E4B, поэтому здесь эти возможности не приписываются версии 31B. Карточка предупреждает о возможных фактических ошибках, предвзятости и трудностях с неоднозначностью и сложными открытыми задачами. Название «uncensored» указывает на изменённую фильтрацию, но карточка не описывает её конкретный эффект. Лицензия — Apache-2.0.

unsloth/gemma-4-E2B-it — дообученная Unsloth версия мультимодальной Gemma 4 E2B IT от Google DeepMind. Это плотная модель условной генерации с гибридным вниманием: локальные окна чередуются с глобальным вниманием. Она предназначена для диалогов, рассуждений, работы с инструментами, программирования и анализа изображений; карточка указывает контекст до 128 тыс. токенов для E2B/E4B и поддержку более чем 35 языков. Репозиторий содержит веса в формате safetensors. Модель подходит для визуальных вопросов и ответов, извлечения данных из документов, распознавания текста и содержимого диаграмм, понимания интерфейсов и генерации кода. Gemma 4 E2B также поддерживает аудиораспознавание и перевод речи в текст, однако карточка этого репозитория и его pipeline tag обозначают задачу image-text-to-text. Ответы могут содержать фактические ошибки, а качество зависит от формулировки запроса и охвата обучающих данных; модель может ошибаться в нюансах языка и здравом смысле. Лицензия — Apache-2.0.

Gliese-OCR-7B-Post2.0-final-i1-GGUF — квантованная GGUF-версия vision-language модели Gliese-OCR-7B-Post2.0-final, разработанной prithivMLmods и квантованной mradermacher. Модель ориентирована на обработку документов: OCR, преобразование изображений и PDF в текст или Markdown, извлечение и связывание структурированных данных, а также задачи Intelligent Document Processing и Key Information Extraction. Модель имеет размерный класс 7B, поддерживает работу с визуальными данными и текстом и предназначена прежде всего для англоязычных документов. В репозитории представлены варианты квантования от IQ1 до Q6, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S; их размер составляет примерно от 2,0 до 6,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для запуска vision-модели могут потребоваться файлы mmproj из статического репозитория. Сильная сторона модели — специализация на распознавании и анализе документов, включая вывод в Markdown и извлечение информации из визуального содержимого. Ограничения README не раскрывает: отсутствуют сведения о длине контекста, точной архитектуре, поддерживаемых языках помимо English, результатах тестирования и типичных ошибках. Доступно множество квантованных вариантов, но наиболее низкобитные версии могут заметно уступать по качеству. Лицензия — Apache-2.0.

Infinity-Parser2-Pro-AWQ-W4A16 — это квантизированная int4-модель W4A16 для задач анализа изображений и текста, включая OCR, разбор документов и работу с визуально-языковыми запросами. Модель основана на infly/Infinity-Parser2-Pro и подготовлена пользователем spectator2026 для запуска на GPU NVIDIA A100 с архитектурой sm80, где исходный путь FP8 не поддерживается. Квантизация выполнена методом AWQ с помощью llm-compressor и применяется только к маршрутизируемым экспертам. Механизмы внимания, GDN/линейное внимание, общий эксперт, vision tower и lm_head сохранены в формате bfloat16. Размер модели уменьшен примерно с 70 ГБ в bf16 до 21 ГБ. Данные о количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. По результатам воспроизведения с AI-оценкой модель показывает близкое к исходной bf16-версии качество: 66,9 против 69,7 на MMStar, около 89 против 86,2 на OCRBench и 96,4 против 96,4 на DocVQA. Основное ограничение — необходимость корректной настройки vLLM и передачи параметра chat_template_kwargs с отключением режима рассуждений; без этого ответы могут попадать в reasoning channel. Модель распространяется по лицензии Apache-2.0.

Sparrow — модель KatanaML для извлечения данных из счетов. Она дообучена на базе Donut и предназначена для проверки и обработки корпоративных документов, в частности счетов. Архитектура — vision-encoder-decoder; модель принимает изображения документов и выдаёт текст. В тестовом наборе указана средняя точность 0,96. Для дообучения использовалось до 500 документов; авторы предлагают использовать другие документы для инференса. Репозиторий распространяется по лицензии MIT.

metythorn/Konai-OCR — модель распознавания текста на изображениях, опубликованная в формате ONNX. README называет её моделью распознавания текста и указывает ViTOCR; метаданные классифицируют её как image-to-text и отмечают архитектурные признаки vision и transformer. Модель предназначена для извлечения текста из изображений с помощью инференса через ONNX Runtime. README упоминает использование Python-библиотек Pillow, PyTorch, torchvision и NumPy, но не приводит сведения о размере модели, поддерживаемых языках, контекстном окне или оценках качества. Лицензия — Apache-2.0.

Это модель LayoutLMv3, дообученная на пользовательском наборе счетов-фактур для извлечения ключевых полей из документов. Она разработана на основе microsoft/layoutlmv3-base и использует архитектуру LayoutLMv3 с 151,8 млн параметров; модель принимает изображения отсканированных документов, текстовые токены и координаты ограничивающих рамок, а для каждого токена предсказывает метку сущности, например номер счёта, дату, поставщика или итоговую сумму. Указанная длина контекста — 514 токенов. Модель предназначена для автоматизации обработки счетов, чеков и финансовых документов, в том числе в системах управления расходами. В README приведены результаты проверки на отложенной выборке: F1 достиг 0,89 на восьмой эпохе. Качество зависит от OCR, а обучение только на ограниченном наборе счетов может ухудшить перенос на другие типы документов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

md-reheader — созданная Джоэлом Барметтлером в Souverana модель на базе Qwen3, дообученная для восстановления уровней заголовков в Markdown-документах. Она анализирует структуру текста и предсказывает для каждого заголовка уровень H1–H6; модель рассчитана на обработку Markdown, полученного, например, при конвертации PDF, и на запуск локально через CLI, Python API или сервер vLLM. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она принимает текст и генерирует текст с восстановленной иерархией заголовков; основной язык обучения — английский. Контекстное окно составляет 40 960 токенов, однако README указывает, что после предварительного удаления основного текста документы длиннее 8 000 токенов обрезаются: заголовки за пределами этого предела сохраняют исходный уровень. Модель специализируется на одной задаче, поэтому подходит для автоматизации подготовки Markdown перед навигацией и разбиением документов на фрагменты для RAG. Лицензия — Apache-2.0.

Nanonets-OCR2-3B-GGUF — это квантизированная GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной nanonets. Квантизацию выполнил mradermacher. Модель предназначена для задач оптического распознавания символов, преобразования изображений в текст, конвертации PDF в Markdown и визуального ответа на вопросы (VQA). Модель поддерживает мультимодальный ввод: для работы используются файл модели GGUF и дополнительный multimodal supplement mmproj. Доступны варианты с разными уровнями квантизации — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 1,4 до 6,3 ГБ, без учета или с учетом дополнительного multimodal-компонента в зависимости от конфигурации. Заявлена поддержка многоязычных сценариев, однако конкретный перечень языков и размер контекстного окна в README не указаны. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между размером, скоростью и качеством, а также наличие специализированных OCR- и image-to-text-сценариев. Более легкие варианты подходят для экономии ресурсов, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Сведения о лицензии базовой модели и квантизированной версии в README отсутствуют, поэтому условия использования необходимо уточнять отдельно.

ProfessorF (Nick V. Flor, PhD) публикует эту версию NVIDIA Nemotron 3 Nano Omni в формате GGUF BF16 для воспроизводимости исследований. Исходная мультимодальная модель разработана NVIDIA и объединяет понимание видео, аудио, изображений и текста для корпоративных сценариев: вопросов и ответов, суммаризации, транскрипции и анализа документов. В карточке указано, что модель дополнительно обучалась с использованием нескольких моделей Qwen и gpt-oss-120b; точное число параметров и длина контекста для этой копии не приведены. Модель предназначена для анализа записей встреч и обучающих видео, поиска по медиаматериалам, распознавания речи и текста на документах, а также для GUI-агентов и автоматизации работы с браузерами, почтой и системами управления инцидентами. Заявлена поддержка коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует проверить условия лицензии в карточке исходной модели NVIDIA и этой копии.

Next OCR 8B — мультимодальная модель с 8 млрд параметров, разработанная Lamapi для оптического распознавания символов и анализа документов. Она принимает изображения и текстовые инструкции, извлекает текст из изображений, документов и скриншотов, а также предназначена для понимания математических выражений, таблиц, форм и других структурированных материалов. Модель реализуется через Transformers как vision-to-sequence и настроена на выполнение инструкций. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. Среди сильных сторон указаны высокая точность OCR, работа с математикой и таблицами, многоязычность, распознавание рукописного текста и текста в сценах, а также сравнительно компактный размер и эффективность для ограниченных ресурсов. В README приведены результаты собственных сравнений, однако методика и наборы данных не описаны, поэтому эти показатели следует интерпретировать с осторожностью. В README не указаны размер контекстного окна, требования к оборудованию, точный базовый архитектурный вариант и подтверждённые ограничения модели. Лицензия указана неоднозначно: в метаданных заявлена Apache-2.0, а в тексте README присутствует обозначение MIT; перед использованием необходимо уточнить, какая лицензия является действительной.

Карточка модели PositronicLlama/Ovis2.5-9B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-9B, поэтому описание составлено по ней. Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

MDfox/OvisOCR2-GGUF-SOTA-20260823 — неофициальная конверсия модели ATH-MaaS/OvisOCR2 в формат GGUF, подготовленная для запуска через llama.cpp. Модель предназначена для мультимодального преобразования изображений в текст, прежде всего для OCR и разбора документов, включая задачи, оцениваемые на OmniDocBench. Конверсия собрана и протестирована с llama.cpp v0.4.0. Для работы требуется языковая модель GGUF и отдельный файл mmproj, отвечающий за обработку изображений. Доступны различные варианты квантования: от Q2_K до Q8_0, а также BF16 для mmproj. В опубликованных тестах использовался контекст до 32 768 токенов на слот, обработка изображений с 196–8 100 image tokens и лимит генерации до 16 384 токенов. Наивысший заявленный результат на OmniDocBench v1.6 составил 96,4547 для Q8_0 с BF16 mmproj; компактный вариант Q3_K_M с Q8_0 mmproj имеет размер 555,2 МиБ и результат 96,2012. Сильными сторонами являются высокое качество распознавания и структурного анализа документов при сравнительно небольшом размере квантованных сборок, а также поддержка запуска локально через llama.cpp. К ограничениям относятся неофициальный статус конверсии, необходимость совместимых версий llama.cpp и наличия двух файлов модели, а также заметное снижение качества у наиболее агрессивного варианта Q2_K. Языки, точный размер исходной модели, архитектура и перечень поддерживаемых языков в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

unsloth/Qwen2.5-VL-3B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в репозитории Unsloth. Это 3B-версия модели Qwen2.5-VL-3B-Instruct, распространяемая в 4-битном формате bnb-4bit для более экономичного использования памяти. Модель предназначена для обработки изображений и видео вместе с текстовыми запросами. Она распознаёт и анализирует объекты, текст, таблицы, графики, иконки и структуру документов, поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, генерацию структурированных данных из счетов, форм и таблиц, а также сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Для видео заявлена способность анализировать материалы длительностью более часа и находить релевантные временные отрезки. В метаданных README указан английский язык. 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 временные позиционные идентификаторы mRoPE. К сильным сторонам относятся компактный размер, мультимодальное понимание документов и визуальных сцен, структурированный вывод и поддержка длительных видео. Ограничения включают меньшую ёмкость по сравнению с версиями на 7B и 72B параметра, возможное снижение точности из-за 4-битной квантизации и отсутствие в README данных о размере контекста, системных требованиях и подробном перечне языков. Модель указана под лицензией qwen-research; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-3B-Instruct.

prithivMLmods/Qwen2-VL-OCR2-2B-Instruct — дообученная модель на основе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, понимания английского текста и решения математических задач с выводом формул в LaTeX. Это мультимодальная разговорная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; длина контекста составляет 32 768 токенов. Модель подходит для извлечения текста из изображений и документов, разбора математических выражений и ответов на вопросы по визуальному содержимому. Карточка также описывает возможности базовой Qwen2-VL по анализу видео и многоязычного текста на изображениях, однако специализация этого дообучения сосредоточена на OCR и LaTeX. Модель опубликована под лицензией Apache-2.0.

Карточка модели cxyzz/Qwen3.8-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.