I.3Извлечение и структурирование данных

dots3-note Preview — предварительная открытая мультимодальная модель семейства dots3. В README она описана как Mixture-of-Experts с 280 млрд параметров всего и 16 млрд активируемых параметров; метаданные каталога классифицируют её как плотную модель на 15,4 млрд параметров, поэтому сведения о размере и типе архитектуры расходятся между источниками. Модель принимает текст, изображения, видео и аудио и выдаёт текст; заявленная длина контекста составляет до 512 тыс. токенов по README и 524 288 токенов по метаданным. Модель предназначена для диалога и следования инструкциям, общих знаний, математических и логических рассуждений, генерации кода, использования инструментов и многошаговых агентных сценариев. Она также рассчитана на понимание изображений, документов, диаграмм, аудио и видео, а также на обработку длинных контекстов. В README dots3-note Preview названа наиболее лёгкой моделью семейства с компромиссом между возможностями, задержкой и стоимостью инференса. Модель разработана командой dots3. Для запуска указаны Transformers, SGLang и vLLM; README рекомендует FP8-чекпойнт для развёртывания на узле с восемью GPU. Лицензия — Apache-2.0. Это предварительная версия; заявленные возможности и несоответствие сведений об архитектуре и размере следует учитывать при выборе и развёртывании.

en_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она распознаёт английский текст и возвращает его в виде строки; модель можно использовать как модуль распознавания в конвейере OCR, вместе с обнаружением текста и дополнительными модулями ориентации и выравнивания изображения. Для модели указана точность 85,3% по метрике, при которой строка считается ошибочной, если в ней неверен хотя бы один символ или знак препинания. Мобильный вариант предназначен для эффективного распознавания, однако характеристики скорости и размер модели в карточке не приведены. Репозиторий распространяется по лицензии Apache-2.0.

EraX-VL-7B-V2.0-Preview — мультимодальная модель семейства Qwen2-VL, разработанная EraX совместно с участниками команды BCG и профинансированная Bamboo Capital Group и EraX. Модель содержит 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Она дообучена для распознавания текста на изображениях и ответов на вопросы по ним, особенно по документам, с акцентом на вьетнамский язык. В метаданных указан контекст до 32 768 токенов. Модель предназначена для извлечения текста и сведений из медицинских форм, счетов и других документов, а также для анализа медицинских изображений и фотографий автомобильных аварий. README предупреждает, что для разных сценариев может потребоваться тщательно подбирать запросы. Версия обозначена как предварительная; приведенные в карточке примеры радиологических выводов следует рассматривать как демонстрацию, а не как замену профессиональной медицинской оценке. Лицензия — Apache-2.0.

Карточка модели AlexHung29629/gemma-4-26B-A4B-it-agent 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.

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.

Gemma4-E4B-MLX — подготовленная MAVIS AI сборка инструкционной мультимодальной модели Google Gemma 4 E4B для локального запуска на компьютерах Mac с Apple Silicon через MLX. По карточке это та же модель, что google/gemma-4-E4B-it: обучение и архитектура не менялись; веса упакованы в формат MLX, с точностью BF16 там, где это предусмотрено исходным способом конверсии. Модель поддерживает диалог и анализ изображений. Сборка предназначена для локальных сценариев с мультимодальным чатом, анализа изображений, помощи в RAG, извлечения и проверки информации из документов, а также задач, требующих структурированных ответов и многошаговых рассуждений. README особо выделяет использование в экосистеме R.E.V.I.S. и локальных MLX-проектах на Apple Silicon. Лицензия репозитория — Apache License 2.0; также применяются условия Google Gemma.

davidsyoung/GLM-5.3-EXL3-TR3-3.42bpw — это квантизированная версия GLM-5.3 от zai-org, подготовленная в формате EXL3/TR3 с использованием смешанной схемы trellis-квантизации. Базовая модель представляет собой MoE-архитектуру glm_moe_dsa размером 755B параметров: 78 слоёв, 256 маршрутизируемых экспертов на слой и дополнительный MTP-компонент. Заявлены английский и китайский языки, а назначение модели — генерация текста, сложное программирование, рассуждения и задачи с длинным контекстом. Средний размер квантизации весов составляет 3,42 bpw: маршрутизируемые эксперты используют комбинацию K3 и K4, а внимание, эмбеддинги, нормализации, lm_head и ряд других компонентов сохранены в BF16. Квантизация выполнена без калибровочных данных; заявлено небольшое отклонение от BF16-учителя по измеренному KLD. Модель рассчитана на запуск через совместимый стек exllamav3-b12x или sparkinfer с четырьмя GPU, TP4 и FP8 KV-кэшем. Указан проверенный профиль с envelope до 393 216 токенов, но это измеренный безопасный режим, а не гарантированный архитектурный максимум. Сильными сторонами являются высокая степень сжатия, сохранение значительной части компонентов в BF16, поддержка очень длинного контекста и подтверждённая работоспособность в сценариях кодирования, структурированного вывода, tool use и извлечения данных из длинных документов. Ограничение — специальный смешанный K3/K4 runtime: модель несовместима с обычной загрузкой vanilla exllamav3, а использование стандартного загрузчика может приводить к некорректной генерации. Лицензия указана как glm-5.3; подробные условия следует уточнять в лицензии базовой модели.

AnandSingh/hunyuanocr-mlx — конверсия OCR-модели Tencent HunyuanOCR для запуска через Apple MLX на компьютерах Mac с Apple Silicon. Это плотная зрительно-языковая модель семейства Hunyuan-VL с архитектурой HunYuanVLForConditionalGeneration; в метаданных указано 463,5 млн параметров и контекст 32 768 токенов. Модель принимает изображения и текстовые инструкции, а в ответ может распознавать текст, извлекать сведения и разбирать документы. Модель предназначена для поиска текста на изображениях, разбора сложных документов и таблиц, распознавания формул и извлечения субтитров из видео. В README также заявлены перевод текста на фотографиях и высокие результаты в этих задачах, но сравнительные оценки не приведены. В примерах используются китайские инструкции; метаданные характеризуют языки модели как многоязычные. Для работы требуются Mac с Apple Silicon, macOS 14 или новее, Python 3.9+ и библиотеки MLX, Transformers, PyTorch и Pillow. Репозиторий использует формат safetensors. Указанная лицензия — other; конкретные условия необходимо сверить с карточкой модели. Конверсия не связана с Tencent и не одобрена компанией.

KarantaOCR — мультимодальная модель распознавания и обработки документов, созданная разработчиками проекта KarantaOCR на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель содержит 3,1 млрд параметров и дообучена по двухэтапной схеме: сначала на общих OCR-данных, затем на PDF-документах на африканских языках. Модель извлекает текст из PDF, включая таблицы и документы со сложной вёрсткой, несколькими колонками, колонтитулами и сочетанием сканируемого и цифрового текста. Её ключевой акцент — точная передача диакритики и специальных символов в африканских языках; также заявлена поддержка английского и других распространённых языков. Для распознавания страницы PDF её нужно представить модели как изображение и использовать структурированный запрос. Модель использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. README приводит результаты на OCR-бенчмарках, но они зависят от типа документа и не гарантируют точность на конкретных данных. Репозиторий распространяется по лицензии Apache-2.0.

latin_PP-OCRv5_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться как модуль распознавания в OCR-конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и искажений изображения. Модель ориентирована на латинские письменности; карточка указывает поддержку английского и китайского языков, а README отдельно описывает распознавание корейского. Для набора данных латинских языков приведена точность 84,7%; при подсчёте строка считается ошибочной, если неверен хотя бы один символ, включая пунктуацию. Репозиторий распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR.

LFM2.5-VL-450M-Extract — компактная мультимодальная модель Liquid AI для извлечения заданных пользователем полей из изображений. В запросе задают схему полей в YAML, а модель возвращает объект JSON; также поддерживаются перечисления допустимых значений. Модель построена на архитектуре LFM2-VL с визуальным энкодером SigLIP2 и гибридным свёрточно-внимательным бэкбоном. README указывает 350 млн параметров языковой части и около 100 млн параметров энкодера; в метаданных размер не приведён. Модель предназначена для структурированного извлечения визуальных атрибутов в производственных конвейерах: например, для разметки товарных изображений или обнаружения событий безопасности. Её можно использовать без дообучения либо адаптировать для конкретного домена. В описанном бенчмарке для одиночного изображения, схемы YAML и плоского JSON модель показала 98,9% валидности JSON и 98,8 F1 согласованности схемы. Эти результаты не следует переносить на многокадровые рассуждения и свободные визуальные вопросы. Карточка не сообщает конкретную лицензию: в метаданных указано значение «other».

lt-wikidata-comp-es — модель семейства LinkTransformer, разработанная исследователями Harvard для сопоставления записей и сущностей. Она дообучена на базе hiiamsid/sentence_similarity_spanish_es на псевдонимах компаний из Wikidata и предназначена для кластеризации, дедупликации, связывания и объединения записей. Модель также подходит для оценки сходства предложений и семантического поиска на испанском языке. В основе — BERT с Sentence Transformers: среднее объединение токенных представлений формирует плотный вектор размерности 768. Модель имеет 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в доступных материалах не указана.

MiniCPM-Llama3-V 2.5 — мультимодальная языковая модель команды OpenBMB для диалога и анализа изображений. Она объединяет визуальный энкодер SigLip-400M с языковой моделью Llama 3-8B-Instruct; в метаданных указано 7,5 млрд параметров, архитектура — плотная MiniCPMV. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения содержимого документов и таблиц, а также многоязычного общения по изображениям. README заявляет поддержку более 30 языков и эффективное локальное развёртывание, включая запуск через llama.cpp. В карточке упомянуты safetensors и возможность дообучения с LoRA. Лицензия в предоставленных данных не указана.

RedHatAI разместила инструкционную мультимодальную модель Mistral-Small-3.1-24B-Instruct-2503 с архитектурой Mistral 3 и 24 млрд параметров. Это плотная модель, дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503; репозиторий содержит веса safetensors и поддерживает чат и анализ изображений вместе с текстом. Модель предназначена для диалоговых помощников, вызова функций, программирования, математических рассуждений, анализа изображений и длинных документов. Контекстное окно — до 128 тыс. токенов. README заявляет поддержку множества языков, включая русский, английский, французский, немецкий, китайский, японский, арабский и другие. К сильным сторонам относятся мультимодальное понимание изображений, длинный контекст, многоязычность и возможность локального запуска после квантизации. Модель рассчитана на применение в системах Red Hat AI, а лицензия Apache 2.0 разрешает коммерческое использование и модификацию. Конкретные результаты могут зависеть от сценария и настройки; README отмечает низкую точность в SimpleQA среди приведённых текстовых оценок.

m_OCR — мультиязычная модель распознавания текста на изображениях документов, разработанная Priyank M. Она использует архитектуру VisionEncoderDecoder по мотивам TrOCR: визуальный энкодер ViT-MAE Large обрабатывает изображение, а декодер XLM-RoBERTa Base формирует распознанный текст. Модель предназначена прежде всего для OCR на английском и китайском языках; в карточке также указано мультиязычное назначение. Автор сообщает, что модель обучалась на наборе примерно из 1,4 млн примеров и что обучение на меньшем наборе из 200 тыс. примеров давало слабые результаты. Это описание не содержит количественных оценок качества или данных о длине контекста. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия в предоставленных данных не указана.

thelamapi/next-ocr-i1-GGUF — GGUF-версия модели Next OCR 8B, разработанной Lamapi. Это мультимодальная модель на базе thelamapi/next-ocr, предназначенная для распознавания текста на изображениях, в документах и снимках экрана, а также для анализа визуального содержимого по текстовым инструкциям. Модель содержит около 8 миллиардов параметров и ориентирована на OCR с поддержкой математических выражений, таблиц, форм, рукописного текста и сложной структуры документов. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. В README она описывается как эффективная и компактная instruction-tuned модель для понимания документов; максимальный размер контекста и точная схема квантования GGUF не указаны. Согласно приведённым в README результатам, модель показывает высокие показатели на OCR-бенчмарках, мультиязычном распознавании, работе с таблицами, рукописным и сценовым текстом, однако методика оценки и независимое подтверждение этих результатов не представлены. Для работы требуется передавать одновременно изображение и текстовый запрос. В метаданных указана лицензия Apache-2.0, но в README также присутствует бейдж MIT, поэтому условия лицензирования следует дополнительно уточнить.

DataOrchestra NP-0.6B — компактная плотная языковая модель семейства Qwen3, разработанная DataOrchestra на базе Qwen/Qwen3-0.6B-Base и дообученная для удаления построчного шума из текстовых документов. Она принимает пронумерованный фрагмент документа в маркерах [DOC] и [/DOC] длиной до 1024 токенов Qwen3 и выдаёт операции удаления целых строк либо команду skip(). Модель предназначена для очистки веб-страниц и других текстовых источников от навигации, рекламы, панелей обмена, шаблонных фрагментов и метаданных каталогов; её можно запускать отдельно или включать в конвейер очистки DataOrchestra. В отличие от систем, которые переписывают текст или удаляют части строк, NP сохраняет все строки, не отмеченные для удаления. Модель содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 32768 токенов; заявленный формат весов — safetensors. Карточка описывает англоязычное применение. Лицензия — Apache-2.0.

NVIDIA Nemotron Nano 12B v2 VL — мультимодальная модель NVIDIA на архитектуре Transformer с визуальным энкодером CRadioV2-H и языковой частью NVIDIA Nemotron Nano 12B v2. Модель содержит 12,6 млрд параметров и принимает текст, изображения и видео; контекст вместе с ответом — до 128 тысяч токенов. Для изображений поддерживается до четырёх входных кадров или страниц за запрос, для видео — от 8 до 128 кадров с частотой 2 кадра в секунду. Модель предназначена для мультимодального анализа документов, визуальных вопросов и ответов, суммаризации изображений и видео, а также рассуждений по визуальному содержимому. Подходит для извлечения сведений из счетов, чеков и руководств, а также для обработки нескольких страниц документа за один запрос. README указывает английский как поддерживаемый язык; обучающие данные включают также китайский и другие языки для отдельных визуальных задач, что не подтверждает полноценную поддержку этих языков в диалоге. Модель выдаёт текст, поддерживает чат и интерфейс вызова инструментов. Для обработки видео кадры необходимо извлечь заранее; видео декодирование не входит в модельный пайплайн. Указаны ограничения по числу и разрешению изображений, а также ориентация на системы с GPU NVIDIA. README заявляет готовность к коммерческому использованию, однако в метаданных лицензия обозначена как other, поэтому конкретные условия следует проверить в лицензии репозитория.

OCRonos — серия специализированных языковых моделей PleIAs для исправления ошибок в плохо оцифрованных текстах. В описанной версии используется плотная архитектура Llama на 7,5 млрд параметров с контекстом 8192 токена; модель рассчитана на генерацию текста в формате диалога. Она исправляет ошибки OCR, восстановливает разорванные или склеенные слова и нарушенную структуру текста, помогая подготовить повреждённые документы к поиску и использованию в приложениях на основе LLM. Обучающие данные включают многоязычные материалы из источников культурного наследия, финансовых и административных документов. Модель обычно сохраняет исходный смысл и редко меняет слова, распознанные верно. Для сильно повреждённого текста она может предложить более свободное восстановление вместо буквальной коррекции; при масштабной обработке возможны повторы слов. Карточка отмечает, что модель снижает риск переключения на другой язык или письменность, характерный для коррекции шумного текста. Лицензия — Apache 2.0.

Модель shahrukhx01/paraphrase-mpnet-base-v2-fuzzy-matcher — сиамская архитектура на основе MPNet, обученная на символьных токенах для нечеткого сопоставления текстов по эмбеддингам. Её можно использовать через библиотеку Sentence-Transformers. Модель предназначена для поиска похожих строк и записей, разрешения сущностей и связывания записей, в том числе в структурированных данных. Она принимает текст и выдаёт эмбеддинги, которые можно сравнивать для оценки сходства. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. В карточке не приведены результаты оценки качества или подробные сведения о данных обучения. Лицензия в доступных данных не указана.

Phi-4-Reasoning-Vision-15B — мультимодальная модель Microsoft, разработанная на базе языковой модели microsoft/Phi-4-reasoning и визуального энкодера SigLIP-2. Архитектура mid-fusion объединяет визуальные токены с представлениями языковой модели; динамическое разрешение поддерживает до 3600 визуальных токенов. Модель содержит 14,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает изображения и текст и отвечает текстом. Она предназначена для визуальных вопросов и ответов, OCR, описания изображений, локализации объектов и элементов интерфейса, а также для математических и научных рассуждений по диаграммам, документам и изображениям. Для задач восприятия может отвечать напрямую, а для задач, требующих нескольких шагов, использует расширенное рассуждение. Основной язык обучающих данных — английский; на других языках качество может быть ниже. Разработчик предупреждает о возможных ошибках и предвзятости и не рекомендует применять модель без дополнительной оценки в ситуациях с существенными последствиями, а также для медицинской диагностики, юридических консультаций и финансового планирования. Модель распространяется по лицензии MIT.

PII-JA-Detection — модель для обнаружения персональных данных в японском тексте. Она выполняет токенную классификацию с BIO-разметкой и поддерживает 18 типов PII, включая имена людей, названия организаций и телефонные номера. Модель основана на tohoku-nlp/bert-base-japanese и экспортирована в формат ONNX для запуска через ONNX Runtime. Размер составляет 137,8 млн параметров, максимальная длина контекста — 512 токенов; входом служат токенизированные текстовые последовательности, выходом — оценки по 37 меткам BIO. Модель подходит для выделения и последующей маскировки персональных данных в японских документах и текстовых сообщениях. Лицензия — Apache-2.0.,

Pixtral-Large-Instruct-2411 — мультимодальная модель Mistral AI для диалогов и анализа изображений. Она построена на Mistral-Large-Instruct-2407 и включает языковой декодер примерно на 123 млрд параметров и визуальный энкодер на 1 млрд параметров; общий размер — 124 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 128 тысяч токенов и рассчитана на работу с несколькими изображениями высокого разрешения в одном запросе. Модель предназначена для ответов на вопросы по изображениям, понимания документов и диаграмм, а также для текстовых инструкций и диалогов. В карточке заявлены сильные результаты на MathVista, DocVQA и VQAv2. Для инференса рекомендуется vLLM; README предупреждает, что реализация Transformers пока не работает. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и условиями Mistral AI.

PolizzeDonut-SoloPDF-3Epochs-tot — модель преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Архитектура — vision-encoder-decoder Donut; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения текста и структурированных сведений из изображений документов, в частности страховых полисов, что следует из названия модели и специализации базовой Donut. На оценочном наборе указана функция потерь 0,3961. В карточке не описаны конкретные поля извлечения, языки и ограничения качества, поэтому применять модель стоит с проверкой полученных результатов. Лицензия — MIT.

PP-OCRv5_server_rec — модель распознавания текстовых строк, разработанная командой PaddleOCR и распространяемая в формате ONNX для запуска через ONNX Runtime. Она преобразует изображения отдельных строк текста в текст и относится к задачам OCR с pipeline-тегом image-to-text. Модель предназначена для распознавания упрощённого и традиционного китайского, английского и японского текста, включая печатный и рукописный текст, вертикальные строки, пиньинь, редкие символы, древние тексты, искажённый, повёрнутый и художественно оформленный текст. По данным README, модель демонстрирует особенно высокие результаты на печатном китайском и английском, пиньине, повёрнутом и искажённом тексте; для рукописного, древнего и художественного текста точность ниже. Модель подходит для серверного распознавания строк в документах, сканах, изображениях и других OCR-конвейерах. Оценка выполнялась по принципу полного совпадения строки: ошибка хотя бы в одном символе или знаке пунктуации делает всю строку ошибочной, поэтому приведённые показатели не следует трактовать как посимвольную точность. Лицензия Apache-2.0.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

Qwen2.5-VL-3B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, основанная на Qwen/Qwen2.5-VL-3B-Instruct и представленная в формате GGUF. Модель разработана командой Qwen; репозиторий связан с Unsloth. Она предназначена для обработки текста и визуальных данных, включая изображения и видео, с поддержкой сценариев визуального вопросно-ответного взаимодействия, анализа документов, диаграмм, таблиц, форм и интерфейсов, а также визуальной локализации объектов и компьютерного или мобильного управления. Модель содержит около 3 млрд параметров. В её архитектуре используются языковая модель Qwen2.5, vision encoder на базе ViT с оконным вниманием, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическая частота дискретизации видео. Она способна анализировать продолжительные видеозаписи, выделять релевантные моменты, формировать структурированные результаты, включая JSON, и выдавать координаты объектов в виде ограничивающих рамок или точек. В карточке указана поддержка английского языка; размер контекстного окна не приведён. Сильные стороны модели — сочетание компактного размера с возможностями анализа изображений, документов и видео, визуального рассуждения, извлечения текста и структурированных данных. Ограничения включают меньший размер по сравнению с моделями Qwen2.5-VL на 7 и 72 млрд параметров, поэтому качество может быть ниже на сложных задачах; также в карточке не приведены требования к ресурсам, точный вариант квантования GGUF и полный перечень поддерживаемых языков. Использование регулируется лицензией qwen-research.

Qwen3.5-OCR-JP-2B — японско-английская мультимодальная модель для распознавания текста и структуры документов, разработанная на базе Qwen3.5-2B. Она преобразует изображения документов в HTML-блоки с координатами ограничивающих рамок и метками, а схема вывода совместима с Chandra OCR 2. Модель дообучена на документах с японскими особенностями, включая рукописный и вертикальный текст, а также фуригану, которую она передаёт разметкой HTML5 ruby. Она предназначена для OCR документов на японском и английском языках и рассчитана на использование с фиксированным промптом. По результатам приведённых тестов модель показывает близкое к Chandra OCR 2 качество: например, на VJRODa её CER составляет 7,3%, а BLEU — 94,6. Репозиторий содержит веса safetensors, для запуска указаны Transformers и vLLM. Лицензия — Apache-2.0.

Qwen3-VL-235B-A22B-Thinking — мультимодальная модель семейства Qwen3-VL от Qwen, представленная в варианте с архитектурой MoE и режимом рассуждений Thinking. Репозиторий содержит веса в формате safetensors; модель предназначена для диалога по тексту, изображениям и видео, визуального анализа и взаимодействия с инструментами. Лицензия — Apache-2.0. Модель подходит для ответов на вопросы по изображениям и видео, OCR и разбору длинных документов, STEM-задач, пространственного анализа, генерации кода и разметки интерфейсов по визуальным примерам, а также управления GUI через инструменты. В README заявлены контекст 256K токенов с расширением до 1M и поддержка OCR на 32 языках. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и привязку видео-событий к временным меткам. Карточка описывает широкие возможности мультимодального рассуждения и понимания текста, но не приводит здесь конкретных результатов бенчмарков. Для развёртывания модели такого размера требуются значительные вычислительные ресурсы; фактическая поддержка видео и вызова инструментов зависит от используемого окружения.