I.4Обработка документов и форм

Это ONNX-экспорт модели UVDoc для выравнивания фотографий документов с перспективными и криволинейными искажениями. Исходную архитектуру UVDoc, основанную на ResNet encoder-decoder, разработали Floor Verhoeven, Tanguy Magne и Olga Sorkine-Hornung из ETH Zurich; модель опубликована на SIGGRAPH Asia 2023. Данный вариант изменён для выдачи координатной сетки, а не готового изображения. На вход подаётся RGB-изображение, нормализованное в диапазон [0, 1] и приведённое к размеру 720×496. На выходе — сетка координат 45×31 с двумя каналами в диапазоне [-1, 1], которую можно применить через cv2.remap() для разворачивания документа в исходном разрешении. Репозиторий содержит модель в формате ONNX и распространяется по лицензии Apache-2.0. Модель предназначена для предобработки снимков документов перед OCR и для коррекции их формы. Ей нужны видимые текст или другие детали на документе для оценки сетки; сильные перспективные искажения могут обрабатываться хуже. По данным README, CPU-инференс занимает около 100–200 мс на изображение.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.

Cohere Labs Aya Vision 32B — мультимодальная модель с открытыми весами на 32 млрд параметров для работы с изображениями и текстом. Она принимает изображения и текст, а в ответ генерирует текст. Модель предназначена для распознавания текста на изображениях, создания подписей, визуальных рассуждений, суммаризации и ответов на вопросы по изображениям; также поддерживает сценарии с текстовым вводом и генерацией кода. Архитектура сочетает языковую модель Aya Expanse 32B с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Контекст составляет 16K токенов. Для обработки изображения используется до 12 фрагментов и миниатюра; разрешение фрагмента — 364×364 пикселя. Модель обучена работать с 23 языками, включая русский, английский, китайский, японский, арабский и хинди. Модель разработана Cohere Labs и опубликована как исследовательский релиз с открытыми весами. Для её запуска используется библиотека Transformers. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование; также требуется соблюдать Acceptable Use Policy Cohere Labs.

DiTo97/binarization-segformer-b3 — модель семантической сегментации на архитектуре SegFormer-B3, дообученная на ансамбле из 13 наборов данных для бинаризации изображений документов. Она предназначена для разделения пикселей документа на текст и фон, в том числе в сценариях обработки отсканированных страниц и исторических документов. В README приведены результаты оценки по метрикам DIBCO: F-measure 0,9840, псевдо-F-measure 0,9740, DRD 5,9548 и PSNR 16,0119. Модель основана на nvidia/segformer-b3-1024-1024 и использует библиотеку Transformers; веса доступны в форматах PyTorch и Safetensors. Карточка описывает её как продолжающееся исследование семантической сегментации для бинаризации документов. Лицензия — OpenRAIL. README не уточняет ограничения применения и детали обучения.

cksghl1004/cpp_moondream2 — компактная модель визуального языка из семейства Moondream, опубликованная 25 июня 2025 года. Репозиторий содержит релиз Moondream от 21 июня 2025 года; модель предназначена для эффективного запуска на широком спектре устройств. Доступны веса в форматах GGUF F16 и safetensors, лицензия — Apache-2.0. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она подходит для описания изображений, ответов на визуальные вопросы, распознавания текста в документах и таблицах, понимания диаграмм и интерфейсов, обнаружения и подсчёта объектов, а также тегирования изображений. В README отмечены улучшения OCR и понимания диаграмм, документов и экранов в обновлениях 2025 года. Рекомендуется фиксировать конкретную ревизию при использовании в производственном приложении, поскольку модель часто обновляется. Для свежего релиза в README указано, что подробные примечания к выпуску ещё не опубликованы.

MLX-версия модели DeepSeek-OCR-8bit, разработанная сообществом mlx-community и конвертированная из prince-canuma/DeepSeek-OCR с использованием mlx-vlm 0.3.10. Модель относится к классу vision-language и предназначена для задач OCR и генерации текста по изображениям, включая описание визуального содержимого. Модель работает с изображениями и текстовыми запросами, поддерживает мультиязычные сценарии и использует 8-битное представление в формате MLX. README не содержит сведений о точной архитектуре, количестве параметров или размере контекстного окна. Для запуска требуется библиотека mlx-vlm; пример использования предусматривает генерацию до 100 токенов при температуре 0.0. К сильным сторонам относятся специализированная направленность на OCR, поддержка мультимодального ввода и оптимизация для экосистемы MLX. Ограничения включают отсутствие в README подробностей о качестве распознавания, поддерживаемых языках, архитектуре и вычислительных требованиях. Модель распространяется по лицензии MIT.

strangervisionhf/deepseek-ocr-latest-transformers — экспериментальная копия весов DeepSeek OCR с исправленной конфигурацией для совместимости с актуальными версиями библиотеки Transformers. Модель семейства DeepSeek-VL-v2 имеет архитектуру DeepseekOCRForCausalLM, содержит 559,7 млн параметров и принимает изображения для генерации текстового ответа; её основное назначение — распознавание текста на изображениях и задачи визуально-языкового взаимодействия. Для работы в карточке приведён пример с Transformers 4.57.1, PyTorch и CUDA. Указаны английский язык и контекст 8192 токена. Модель распространяется по лицензии MIT. Автор предупреждает, что эта версия экспериментальная, рекомендует использовать более новые версии и сообщает, что копия весов не предназначена для иных целей.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, представленная командой DeepSeek. Это вариант vision-language модели на архитектуре Mixture-of-Experts (MoE), построенный на DeepSeekMoE-3B и использующий 1,0 млрд активируемых параметров. В репозитории доступны веса safetensors для Transformers. Модель предназначена для анализа изображений в диалоге и отвечает на вопросы по визуальному содержимому. Она подходит для визуального вопросно-ответного поиска, распознавания текста на изображениях, а также разбора документов, таблиц и диаграмм. В README также заявлена возможность visual grounding — связывания текста с областями изображения. Для Tiny изображения подаются с приведением к размеру 384×384 без разбиения на фрагменты; базовая языковая модель отличает эту версию от вариантов Small и полной версии. В предоставленных источниках нет сведений о длине контекста или поддерживаемых языках. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией в репозитории.

DocumentFigureClassifier — модель классификации изображений из проекта Docling, дообученная на базе Google EfficientNet-B0. Она относит изображение к одной из 16 категорий: типы диаграмм и графиков, штрихкод, QR-код, химические структуры, блок-схема, значок, логотип, карта, снимок дистанционного зондирования, скриншот, подпись, печать или прочее. Модель предназначена для распознавания визуальных элементов в документах и может использоваться как этап предварительной обработки при разборе документов, чтобы определить тип изображения и направить его на дальнейшую обработку. Это компактная свёрточная архитектура для классификации изображений; модель принимает изображение и выдаёт метку класса. В репозитории указаны веса safetensors. Лицензия — MIT.

EraX-VL-7B-V1.0 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group и дообученная на Qwen/Qwen2-VL-7B-Instruct. Она предназначена для распознавания текста на изображениях, визуальных вопросов и ответов, а также анализа документов и изображений; поддерживает диалог из нескольких ходов. Особенно хорошо модель ориентирована на вьетнамский язык, при этом заявлены также английский и китайский. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения с текстовыми запросами, выдавая текстовые ответы. Длина контекста — 32 768 токенов. Модель рассчитана на извлечение текста и сведений из медицинских форм, счетов, накладных, коммерческих предложений и медицинских записей, а также на описание изображений и ответы на вопросы по их содержимому. В отличие от специализированного OCR-инструмента, она является мультимодальной языковой моделью, поэтому результат зависит от формулировки запроса. Лицензия — Apache 2.0.

GLM-4.6V-FP8 — мультимодальная модель семейства GLM-V, разработанная организацией zai-org (Z.ai). Репозиторий содержит FP8-версию модели GLM-4.6V с 106 млрд параметров, предназначенную преимущественно для облачной инфраструктуры и высокопроизводительных кластеров. Заявлены поддерживаемые языки Chinese и English, библиотека Transformers и сценарий image-text-to-text. Модель предназначена для анализа изображений, скриншотов и страниц документов вместе с текстом, понимания длинных и визуально сложных документов, работы с таблицами, графиками и макетами, а также для мультимодальных агентов. Она поддерживает контекст до 128K токенов, нативный Function Calling с передачей визуальных данных инструментам и интерпретацией визуальных результатов, генерацию смешанного изображения и текста, а также восстановление HTML/CSS по скриншотам интерфейсов и их редактирование по инструкциям на естественном языке. К сильным сторонам относятся масштабный контекст, объединённое понимание текста и визуального содержимого, возможность связывать восприятие с вызовом инструментов и заявленная высокая эффективность в задачах визуального понимания среди моделей сопоставимого размера. При этом разработчики отмечают, что возможности ответов на чисто текстовые вопросы всё ещё нуждаются в улучшении; также ранее наблюдавшиеся повторяющиеся рассуждения и ошибки форматирования были лишь частично смягчены. Модель распространяется по лицензии MIT.

InternVL2-4B — мультимодальная инструктивно настроенная модель OpenGVLab для диалога по изображениям и тексту. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Phi-3-mini-128k-instruct; размер модели в карточке указан как 4,2 млрд параметров. Модель доступна через Transformers, веса опубликованы в формате Safetensors по лицензии MIT. Модель предназначена для понимания изображений и видео, ответов на вопросы о визуальном содержимом, чтения документов и диаграмм, OCR, решения научных и математических задач с изображениями. Она также принимает несколько изображений в одном запросе. Обучение проводилось с контекстом 8 тысяч токенов и данными с длинными текстами, несколькими изображениями и видео. Карточка сообщает о конкурентных результатах на тестах понимания документов, диаграмм, сценического текста и видео, но эти оценки зависят от конкретных бенчмарков и не гарантируют качество в каждом сценарии. Для видео в описанных тестах использовалось извлечение 16 кадров с изменением размера до 448×448; это не свидетельствует о полноценной обработке непрерывного видеопотока. В метаданных отмечена многоязычность, но конкретный перечень языков не приведён.

Kelix-SFT — полный выпуск модели Kelix на этапе supervised fine-tuning, разработанный OpenOneRec. Это унифицированная мультимодальная система на основе дискретных визуальных токенов, объединяющая распознавание изображений и генерацию изображений в авторегрессионном конвейере «токенизатор — языковая модель — декодер». В состав входят Kelix-Tok с визуальным энкодером NaViT и многокодовыми VQ-кодбуками, Kelix-LLM на базе Qwen3-8B с расширенным на 65 536 визуальных токенов словарём и обучением Next-Block Prediction, а также Kelix-DiT — диффузионный декодер изображений на основе SANA-DiT и flow matching. Модель предназначена для понимания изображений, включая OCR, распознавание текста, диаграмм и графиков, визуальные вопросы и математические задачи, а также для генерации изображений по текстовым запросам. Обучение SFT улучшает следование сложным инструкциям и управление атрибутами, объектами, сценой, стилем и перспективой; в README для генерации указано разрешение 1024×1024. Для генерации требуется отдельный замороженный VAE DC-AE-F32C32 из исходного репозитория. Модель дообучена на базе Qwen/Qwen3-8B; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Archeiothiki S.A., команда AI Services, разработала эту модель для классификации страниц документов на греческом языке по 18 категориям. Она принимает текст, извлечённый из документов с помощью OCR, и возвращает категорию страницы; среди примеров — счета за энергию, сертификаты и другие деловые документы. Для предварительной обработки текста перед запуском требуется использовать предусмотренную авторами функцию. Модель построена на BERT и дообучена на базе nlpaueb/bert-base-greek-uncased-v1. В обучении применялись контрастивное обучение и настройка классификатора с функцией потерь для несбалансированных классов. В архитектуре оставлено 6 слоёв из исходных 12; размер скрытого слоя — 768, словарь содержит 35 000 токенов, максимальная длина входа — 512 токенов. В метаданных указано 83,5 млн параметров. На тестовом наборе из 1 336 примеров авторы сообщают точность 0,94 и macro F1 0,92. Модель подходит для сортировки и маршрутизации страниц греческих документов после OCR. Редкие классы представлены малым числом примеров, и качество на них может быть ниже; авторы отмечают, что для класса AA_LEGAL_ENT_CERTIFICATE требуется больше обучающих данных. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

nielsr дообучил модель Microsoft LayoutXLM-base на французской части многоязычного набора XFUND для извлечения сущностей из документов. Это мультимодальная модель архитектуры LayoutLMv2 с 305,2 млн параметров и контекстом до 514 токенов; она учитывает текст, расположение элементов и изображение страницы. Модель размечает категории question, answer, header и other в отсканированных французских документах, например при разборе форм и извлечении полей из документов. Для инференса требуется Tesseract с французским языковым пакетом. Модель распространяется по лицензии CC BY-NC-SA 4.0.

LiquidAI/LFM2.5-VL-3B-MLX-4bit — MLX-экспорт мультимодальной vision-language модели LFM2.5-VL-3B, разработанной Liquid AI. Версия предназначена для запуска вывода на устройствах Apple Silicon и поддерживает обработку изображений вместе с текстовыми запросами. Модель построена на языковой основе LFM2.5-2.6B и оснащена визуальным энкодером SigLIP2 NaFlex объёмом 400 млн параметров. Общее количество параметров составляет около 3 млрд, используется 4-битная квантизация с размером группы 64, а размер модели — около 2,2 ГБ. Длина контекста — 32K токенов, нативное разрешение изображений — до 512×512 пикселей. Поддерживаются OCR, понимание документов, мультиязычное понимание изображений, предсказание ограничивающих рамок и вызов функций. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — сочетание визуального и языкового анализа, компактный размер, 4-битное представление и адаптация для эффективного запуска на Apple Silicon. Ограничения включают зависимость от экосистемы MLX и указанный предел нативного разрешения изображений; прочие ограничения производительности в README не описаны. Модель распространяется по лицензии LFM 1.0.

useful-quants/LFM2.5-VL-3B-NVFP4-FP8-Mixed — мультимодальная версия LFM2.5-VL-3B, разработанная Liquid AI и опубликованная useful-quants. Модель предназначена для задач image-text-to-text, включая визуальные вопросы и ответы, OCR счетов и документов, а также рассуждения по изображениям с высоким разрешением. Заявлена оптимизация для обслуживания на видеокартах NVIDIA GeForce RTX 50-й серии с архитектурой Blackwell SM120. Модель использует гибридную архитектуру с 30 слоями декодера: 8 полносвязных attention-слоев и 22 слоями с короткими свертками. Веса feed-forward MLP декодера квантизированы в NVFP4, линейные слои attention и MLP зрительной башни SigLIP2 — в FP8, а короткие свертки, vision attention, patch embeddings, мультимодальный проектор, embeddings и LM head сохранены в BF16. Размер базовой модели — 3B параметров; заявлены поддержка изображений и текста, а также языков Arabic, Chinese, English, French, German, Hindi, Indonesian, Italian, Japanese, Korean, Polish, Portuguese, Russian, Spanish, Thai и Vietnamese. Квантованный checkpoint занимает около 2,84 GiB. Ключевые преимущества варианта — снижение потребления памяти, увеличение доступного пространства под KV-cache и высокая задержка-ориентированная производительность для задач с одним изображением. В тестах на RTX 5060 Ti 16GB он достигал примерно двукратной пропускной способности относительно BF16-версии и показывал 126,71 tok/s для VQA и 130,66 tok/s для OCR. Ограничение состоит в аппаратной и программной специфичности: результаты относятся к NVIDIA SM120 и рекомендованному контейнерному окружению с vLLM 0.26.0 и FlashInfer 0.6.14; запуск с параметром --enforce-eager существенно снижает производительность. Лицензия указана как lfm1.0, тип лицензии — other.

Ling-3.0-flash-VL-fp8 — нативная мультимодальная модель, разработанная командой inclusionAI. Она предназначена для понимания и анализа изображений и видео, мультимодального рассуждения, проверки выводов по визуальным данным, работы с документами, графиками и сложными макетами, а также для взаимодействия с веб- и программными интерфейсами и выполнения агентских задач. Модель поддерживает сценарии, где требуется не только восприятие визуальной информации, но и планирование, выполнение действий и последующая верификация. Модель имеет 124 млрд параметров, при этом на каждый токен активируется около 5,5 млрд благодаря разреженной архитектуре Mixture-of-Experts. В состав входят визуальный энкодер ViT, двухслойный MLP-проектор и 42-слойная гибридная языковая основа, чередующая слои KDA и Gated MLA в соотношении 5:1. VideoRoPE кодирует пространственные позиции и временной порядок, что важно для анализа изменений в видео, поиска событий и ответов на вопросы по длинным видеозаписям. Поддерживаются изображения, видео и текстовый контекст объёмом до 256 тысяч токенов. Доступна версия с квантованием FP8. К сильным сторонам относятся сочетание мультимодального понимания, рассуждения и агентского взаимодействия, эффективная активация параметров при большой общей ёмкости и поддержка длинного контекста. В Artificial Analysis Intelligence Index v4.1.1 модель получила 42 балла, что на 4 балла выше результата Ling-3.0-flash. README не приводит полного перечня поддерживаемых языков, детальных ограничений, требований к качеству входных данных или результатов по всем отдельным бенчмаркам. Модель распространяется по лицензии MIT.

Llama 3.2 11B Vision Instruct — мультимодальная языковая модель Meta для диалога по изображениям. Она основана на авторегрессионном трансформере Llama 3.1 с отдельно обученным адаптером зрения: слои cross-attention передают представления изображений в языковую модель. Версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей. Модель содержит 11 млрд параметров и поддерживает контекст длиной до 128 тыс. токенов. Модель принимает текст и изображения и генерирует текст. Она предназначена для визуального распознавания и рассуждений, ответов на вопросы об изображениях и документах, создания подписей к изображениям, поиска соответствий между изображениями и текстом и визуальной привязки описаний к областям изображения. Для задач с изображениями официально поддерживается английский язык; для текстовых задач также заявлены немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель рассчитана на коммерческое и исследовательское применение. Лицензия Llama 3.2 Community License является пользовательской коммерческой лицензией; использование также ограничено Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; знания ограничены временным срезом до декабря 2023 года.

MiniCPM-V 4.0 — мультимодальная языковая модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. В карточке указаны 3,2 млрд параметров, контекст 32 768 токенов, архитектура MiniCPMV и библиотека Transformers; README описывает основу из SigLIP2-400M и MiniCPM4-3B, но приводит другой общий размер — 4,1 млрд параметров. Модель предназначена для распознавания содержимого изображений и видео, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также понимания нескольких изображений. README подчёркивает эффективность для запуска на мобильных устройствах; поддерживаются локальное использование и интеграция с несколькими средами инференса. Метаданные указывают мультиязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Ограничения: ответы могут содержать ошибки, а сама модель не выражает личных мнений и не выполняет ценностные суждения; заявленные в README результаты основаны на оценках авторов.

Moondream 2 — компактная модель зрения и языка от разработчиков Moondream, предназначенная для эффективного запуска на широком спектре устройств. В репозитории размещён выпуск от 21 июня 2025 года; это предыдущее поколение после Moondream 3 Preview. Модель принимает изображение и текстовый запрос и отвечает текстом, поддерживая визуальные вопросы и ответы, описание изображений, распознавание текста и таблиц, подсчёт объектов, обнаружение объектов и элементов интерфейса, а также понимание диаграмм и документов. В выпуске заявлены пошаговое рассуждение с привязкой к пространственным позициям, улучшенное обнаружение объектов и понимание интерфейсов, а также ускоренная генерация. Поддерживаются веса SafeTensors и библиотека Transformers. Репозиторий часто обновляется, поэтому для производственного приложения README рекомендует фиксировать конкретную ревизию. Лицензия — Apache-2.0. Размер модели, длина контекста и перечень поддерживаемых языков в предоставленных данных не приведены.

Palmyra Vision — мультимодальная модель семейства Palmyra от Writer для диалога и генерации ответов по изображениям. Она принимает изображение и текстовый запрос и предназначена для визуальных вопросов и ответов, включая анализ диаграмм, документов, инфографики, распознавание текста на изображениях, подсчёт объектов и визуальные задачи по математике. В README указано обучение на наборе PixMo объёмом 1 млн примеров; метаданные описывают плотную архитектуру Palmyra_visionForCausalLM на 12,8 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель поддерживает английский язык и использует Transformers. В README приведены результаты на 11 академических бенчмарках: средняя оценка 78,3 и рейтинг человеческих предпочтений Elo 1056. Для обработки изображений требуется RGB; на прозрачных изображениях модель может работать хуже, поэтому рекомендуется предварительно добавить фон. Лицензия в предоставленных данных не указана. Метаданные связывают модель слиянием с openai/clip-vit-large-patch14-336 и Writer/Palmyra-Large.

Ferox AI подготовила конверсию Microsoft Phi-4-multimodal-instruct для локального мультимодального инференса на устройствах Apple Silicon. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; она предназначена для визуальных вопросов и ответов, извлечения сведений из документов, распознавания текста на изображениях и анализа графиков и диаграмм. В основе — плотная архитектура семейства Phi-4 с языковой частью Phi-4-Mini на 3,8 млрд параметров и визуальным энкодером SigLIP-SO400M. Весовая часть модели квантизирована до 4 бит с группами по 64, тогда как энкодер SigLIP остаётся в FP16. Метаданные указывают контекст 4096 токенов. В этой сборке аудио не поддерживается; для запуска нужны Apple Silicon и MLX. По внутренним оценкам на небольших выборках модель показывает полезные результаты для документов, диаграмм и OCR, но точность ответов не гарантируется и требует проверки человеком. Распространяется по лицензии MIT. Визуальные LoRA-адаптеры заранее слиты с весами, поэтому переключать их во время работы нельзя.

PP-LCNet_x0_25_textline_ori_onnx — компактная модель PaddlePaddle в формате ONNX для классификации ориентации строк текста на изображениях. Она предназначена для этапа предварительной обработки в OCR-конвейерах: определяет направление текстовой строки, после чего ориентацию изображения можно скорректировать постобработкой. Модель подходит для обработки сканов документов и фотографий удостоверений или сертификатов, в том числе когда устройство захвата было повернуто. Предварительное определение ориентации помогает повысить точность последующего распознавания текста. В карточке указаны поддержка английского и китайского языков и лицензия Apache 2.0.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle для определения ориентации изображений документов. Она классифицирует документ или удостоверение личности по четырём положениям: 0°, 90°, 180° и 270°. Результат можно использовать для поворота изображения перед запуском OCR, чтобы повысить точность распознавания текста. Модель предназначена для предварительной обработки сканов и фотографий документов, в том числе снимков, сделанных под разными углами поворота. Она входит в экосистему PaddleOCR и может применяться как отдельный модуль или в составе конвейера предварительной обработки документов. Для работы с моделью используется PaddleOCR; карточка указывает поддержку английского и китайского языков. Репозиторий распространяется по лицензии Apache-2.0. В предоставленных материалах не приведены точность, размер модели и ограничения её работы; классификация ориентации сама по себе не исправляет геометрические искажения изображения.

PaddlePaddle PP-LCNet_x1_0_doc_ori_safetensors — модель классификации ориентации изображений документов на базе архитектуры PP-LCNet. Она определяет поворот документа или удостоверения личности, чтобы изображение можно было скорректировать перед распознаванием текста. Модель предназначена для использования в конвейерах обработки сканов и фотографий документов, помогая повысить точность последующего OCR. Репозиторий содержит веса в формате safetensors; для работы с моделью указана библиотека PaddleOCR. В карточке заявлена лицензия Apache-2.0. Метаданные указывают поддержку английского и китайского языков; модель анализирует изображения и выдаёт результат классификации ориентации. Количественные метрики качества в доступном описании не приведены.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации строк текста из экосистемы PaddleOCR/PaddlePaddle. Она анализирует изображение строки, определяет её ориентацию и поддерживает исправление поворота постобработкой, чтобы улучшить распознавание в OCR-конвейере. Модель предназначена для обработки сканов документов и фотографий удостоверений и других документов, снятых под разными углами. В метаданных указаны PaddleOCR, архитектурное семейство PP-LCNet и поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

PP-OCRv5_mobile_det — модель обнаружения текста из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для эффективного и точного определения текстовых областей на изображениях в системах OCR и анализа документов, включая распознавание текста на сценах и номерных знаках. Модель поддерживает различные сценарии и формы текста: рукописный, вертикальный, повернутый и изогнутый текст, сложные макеты, разные размеры символов и неоднородный фон. В README указана поддержка упрощённого и традиционного китайского, английского и японского языков. Для запуска доступен формат ONNX через движок ONNX Runtime; модель можно использовать из PaddleOCR через CLI или Python API. Размер модели и точная архитектура не указаны. Среднее значение приведённых метрик составляет 0,770; сильными сторонами являются универсальность для разнообразных текстовых сценариев и сочетание эффективности с точностью. Показатели различаются в зависимости от типа данных: наиболее высокие значения указаны для печатного английского и китайского текста, а более низкие — для художественного текста, пиньиня и древних текстов. Модель распространяется по лицензии Apache-2.0.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

PP-OCRv6_small_rec — компактная модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Она предназначена для модуля распознавания в OCR-конвейере: получает изображение с текстом, например найденную строку, и преобразует её в текст. Модель использует лёгкий backbone LCNetV4, распознающий блок EncoderWithLightSVTR и декодер с головами CTC и NRTR; размер составляет 5,2 млн параметров. Модель поддерживает 50 языков и рассчитана на разнообразные печатные, рукописные и промышленные сценарии, включая цифровые дисплеи, точечно-матричные символы и маркировку на шинах. Её можно применять как часть конвейера PaddleOCR для извлечения текста из изображений; обнаружение текста и другие этапы конвейера выполняются отдельными модулями. Репозиторий указывает лицензию Apache-2.0.