I.4Обработка документов и форм

Piros Toll — небольшая языковая модель, созданная Flashtond для исправления орфографии и грамматики венгерского языка, включая восстановление диакритических знаков. Она построена на плотной архитектуре типа Llama с классом LlamaForCausalLM, содержит 88,1 млн параметров и принимает текст в контексте до 1024 токенов. Модель можно запускать локально, в том числе на телефоне и маломощных устройствах; для исправления рекомендуется подавать один абзац и отключать случайную генерацию. Модель стремится сохранять исходный текст и не менять корректные фрагменты. В README приведены результаты двух тестов: на реальном наборе F0.5 составил 69,5%, а 87,5% заведомо правильных текстов остались без изменений. Модель не предназначена для стилистической правки, перефразирования или проверки фактов; на редких словах и коротких полностью лишённых диакритики фрагментах возможны ошибки, поэтому исправления следует проверять. Весовые параметры заявлены как обученные с нуля, без заимствования параметров другой модели. Лицензия CC BY-NC-ND 4.0 требует указания автора, запрещает коммерческое использование без отдельного разрешения и распространение изменённых версий.

realasd222/punctuate-all — модель XLM-RoBERTa для классификации токенов, опубликованная в формате ONNX для работы с Transformers.js. Она предназначена для разметки отдельных токенов; название репозитория указывает на применение для расстановки пунктуации, однако README не описывает эту функцию подробнее. Модель содержит около 305,2 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метки токенов. Репозиторий содержит веса ONNX и предназначен для веб-среды через Transformers.js. Сведения о языках, лицензии и ограничениях качества в доступных материалах отсутствуют.

Модель lugman-madhiai/Qwen3.5-2B-SearchAgent-SFT-02 — дообученная версия мультимодальной Qwen3.5-2B с плотной архитектурой и 2 млрд параметров. Разработчик — lugman-madhiai; обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев с текстом и изображениями; каталог также отмечает поддержку интерфейса вызова инструментов. Название указывает на настройку для поискового агента, однако README не описывает конкретные поисковые функции или качество их выполнения. Карточка указывает английский язык и лицензию Apache-2.0.

Это производная версия Qwen3.8-Flash-Next, опубликованная provsalt. Она основана на Inferact/Qwen3.8-Flash-Next-NVFP4 и сохраняет его ModelOpt NVFP4 backbone, но дополнительно преобразует таблицу position-learning enhancement (PLE) из BF16 в NVFP4. Исходная модель происходит из Qwen/Qwen3.8-Flash-Next. Репозиторий содержит только веса и метаданные Hugging Face; архитектура включает исходную vision tower, а служебная конфигурация указывает на мультимодальный режим image-text-to-text. Модель предназначена для мультимодального инференса с текстом и изображениями, прежде всего на одной NVIDIA DGX Spark с GB10 и 128 ГБ общей памяти. Полный checkpoint занимает около 101,643 GiB, а PLE-таблица размещается в памяти CPU с выборочным декодированием запрошенных строк в BF16. В проверенном сценарии поддерживалось одно изображение с бюджетом от 65 536 до 262 144 пикселей; видео отключено. Тестировался контекст 4096 токенов, но более длинный контекст, конкурентные запросы, tensor parallelism и expert parallelism не валидировались. Ключевое преимущество — существенное сокращение размера PLE-таблицы примерно на 68,546 GiB без удаления экспертов и с сохранением исходной vision tower. В контролируемом исследовании преобразование PLE дало 91,525% совпадения top-1 с эталоном и 0,995399 косинусного сходства логитов, однако это не является полноценным бенчмарком качества задач. Ограничения включают длительный запуск, возможное использование системного swap, отсутствие throughput- и vision-бенчмарков, а также задержки из-за обычных CPU-операций PyTorch при декодировании PLE. Для работы необходим внешний runtime-плагин qwen38-nvfp4-ple; стандартные vLLM и Transformers checkpoint не загружают. Проверенная конфигурация использует специальный образ и dev-версию vLLM, executor mp, TP1 и NVIDIA GB10 с compute capability 12.1. Веса распространяются по Qwen Community License 1.0.

TenaOS — адаптер LoRA и связанные объединённые артефакты для Gemma 4 E4B Instruct, разработанные для локальной клинической информационной системы TenaOS. Модель генерирует текст в клинических рабочих процессах первичной медицинской помощи; задачи маршрутизируются явными тегами, включая построение форм и рабочих процессов, планирование отчётов, клиническую документацию по тексту и голосу, а также другие клинические сценарии из обучающих данных. Пакет предназначен для работы с локальным рантаймом llama.cpp и OpenMRS. Адаптер обучен методом BF16 LoRA на синтетических многошаговых трассах клинических рабочих процессов; опубликованные артефакты включают LoRA в safetensors и объединённые веса GGUF. Базовая Gemma 4 E4B Instruct мультимодальна, однако область адаптера — текстовый декодер, а README не подтверждает качество адаптера для аудио или изображений. Основной язык карточки — английский. Модель предлагает черновики, которые должны быть обоснованы локальными базами знаний, проверены детерминированным промежуточным ПО и рассмотрены клиницистом до внесения в OpenMRS. Лицензия — Gemma.

YouLiXiya/tinyllava-v1.0-1.1b-hf — мультимодальный чат-бот TinyLLaVA, разработанный на основе TinyLlama и дообученный на сгенерированных GPT данных для следования инструкциям с изображениями. Это авторегрессионная модель на архитектуре Transformer, использующая семейство LLaVA; репозиторий содержит веса SafeTensors и поддерживает чатовый формат запросов. Модель принимает текстовые запросы и одно или несколько изображений, а затем генерирует текстовые ответы: например, описывает содержимое изображения и отвечает на вопросы о нём. В карточке заявлена поддержка нескольких изображений и запросов в одном процессе. Указаны английский язык и лицензия Apache-2.0. Для запуска README приводит Transformers версии не ниже 4.35.3; также описаны варианты ускорения генерации с Flash-Attention 2 и загрузки в 4-битном режиме через bitsandbytes на совместимом CUDA GPU.

Anonymiseur-Lycéen — модель CamemBERT, дообученная XenocodeRCE для автоматического обнаружения и разметки персональных данных в текстах французских школьных работ. Она присваивает токенам метки сущностей, среди которых имена и фамилии, учебные заведения, классы, номера учащихся, адреса, профессии родителей и города. Модель содержит 137,8 млн параметров, использует архитектуру CamembertForTokenClassification и принимает контекст длиной до 514 токенов. Модель предназначена для предварительной анонимизации ученических работ перед публикацией, передачей или анализом. В README приведены примеры с оценками 63–70%; автор отмечает ложные срабатывания на известных именах, шум в разметке пунктуации и коротких слов, а также отсутствие надежного распознавания дат рождения, электронной почты и телефонов. Обучение проводилось на небольшом синтетическом наборе французских школьных работ, поэтому результаты стоит проверять вручную. Лицензия — MIT.

Florence-2-Flux-Large — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель gokaygokay на основе Microsoft Florence-2-large. Она принимает изображение и текстовый запрос и предназначена для генерации текстового описания или ответа о содержимом изображения. Архитектура — Florence-2, класс Florence2ForConditionalGeneration; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Карточка не уточняет, какие именно визуальные задачи или сценарии были улучшены этим дообучением. Базовая Florence-2-large умеет описывать изображения, обнаруживать и локализовать объекты, сегментировать их и выполнять OCR, однако нельзя уверенно приписывать все эти возможности данной версии. Лицензия — Apache-2.0.

Fugu Max — модель Sakana AI из семейства Fugu, ориентированная на соотношение стоимости и производительности. Это не единая монолитная модель, а обученная система оркестрации нескольких агентов на основе языковой модели, которая направляет запросы между ними. Метаданные каталога относят модель к задаче image-text-to-text. Доступный фрагмент карточки не раскрывает архитектуру, размер, поддерживаемые языки, контекст или конкретные сценарии работы с изображениями. Лицензия и ограничения использования также не указаны в доступных данных.

InternVL3-9B-CVRR — мультимодальная модель для вопросов и ответов по изображениям, созданная на основе OpenGVLab/InternVL3-9B в рамках работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». В ней используется подход Causal Visual Recurrent Reasoning (CVRR): модель уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем формирует ответ через состояние этого рассуждения. Веса содержат исходную основу InternVL3-9B и объединённый рекуррентный переход; отдельная загрузка LoRA-адаптера не требуется. Модель принимает изображение и текстовый вопрос, а выдаёт текстовый ответ. Лицензия — MIT. Для запуска нужен специальный загрузчик Transformers и зависимости, перечисленные в карточке. На один GPU требуется полная копия модели; автоматическое распределение по нескольким GPU, обычная повторная сериализация через save_pretrained(), а также прямая загрузка через vLLM и SGLang не поддерживаются.

Это экспериментальная аблитерированная версия DeepSeek-V4-Flash-Vision-Exp от автора репозитория drowzeys. Веса сохраняют исходную башню зрения, но изменены проекции wo_b в слоях L10–35; проекции слоёв L0–9 и L36–42, блок MTP/DSpark draft и параметры vision tower не затрагивались. Модель рассчитана на сценарии image-text-to-text и генерацию текста с визуальным контекстом. Карточка предупреждает, что имеющийся Anemll DSpark vLLM serve использует текстовый класс DeepseekV4ForCausalLM и пропускает параметры зрения, поэтому этот способ запуска не принимает изображения. Для обработки изображений нужен мультимодальный класс vLLM для DeepSeek-V4-Flash-Vision. Доступ к репозиторию ограничен согласием с RESPONSIBLE_USE.md; лицензия указана как other.

MGM-13B-HD — открытый мультимодальный чат-бот семейства MGM, разработанный путём дообучения Vicuna-13B-v1.5 на наборе мультимодальных инструкций MGM-Instruction. Это плотная языковая модель с архитектурой MiniGeminiLlamaForCausalLM и примерно 12,9 млрд параметров; версия HD предназначена для понимания изображений высокого разрешения. Модель принимает текстовые запросы и изображения и формирует текстовые ответы, поддерживая диалог, визуальное понимание и рассуждение по изображениям. Модель подходит для исследовательских и любительских экспериментов с мультимодальными чат-ботами, вопросов по изображениям и анализа визуального содержимого. Контекст составляет 4096 токенов. В карточке не приведены сведения о поддерживаемых естественных языках. Лицензия в предоставленных данных не указана.

opus-mt-sm-en — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с самоанского языка (sm) на английский (en) и предназначена для перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer-align с обработкой текста через нормализацию и SentencePiece; число параметров — 53,3 млн, контекст — до 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Для направления sm→en в README приведён результат BLEU 36,1 и chr-F 0,520 на тестовом наборе JW300.sm.en. Модель распространяется по лицензии Apache-2.0.

Oryx-7B — визуально-языковая модель от команды THUdyh, построенная на Oryx-ViT и Qwen2-7B и дообученная на наборе Oryx-SFT-Data. Она предназначена для генерации ответов по визуальным данным, включая изображения и видео с различным пространственным размером и временной длительностью. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов; заявленные языки — английский и китайский. Модель подходит для диалогового анализа изображений и видео, когда требуется описать визуальную сцену или ответить на вопрос о содержимом. В README указано, что обучение велось на смеси из 1,2 млн данных об изображениях и видео. Лицензия — Apache 2.0. Метаданные Hugging Face помечают её задачей text-generation, поэтому для каталога эта задача указана основной, хотя README описывает также обработку визуальных входов.

caidas/swin2SR-lightweight-x2-64 — компактная модель Swin2SR для увеличения разрешения изображений в 2 раза. Она основана на архитектуре SwinV2 Transformer и предназначена для лёгкого масштабирования изображений. Модель выполняет задачу image-to-image: на вход принимает изображение низкого разрешения и выдаёт его увеличенную версию. Swin2SR разработана авторами Conde et al. и представлена в работе «Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration»; этот вариант впервые опубликован в репозитории caidas. Модель подходит для повышения разрешения изображений, когда требуется двукратное увеличение. В карточке заявлено лёгкое исполнение, однако конкретные показатели качества и вычислительные требования не приведены. Лицензия — Apache-2.0.

WindyTranslate/translate-crs-en — модель машинного перевода, опубликованная Windstorm Labs. Она переводит тексты с креольского языка Сейшел (crs) на английский (en) и предназначена для одностороннего перевода предложений и документов. Модель основана на архитектуре MarianMT и содержит 47,5 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса safetensors для Transformers. Весовые параметры получены дообучением LoRA на параллельном корпусе с последующим объединением адаптера с базовыми весами Helsinki-NLP/opus-mt-crs-en. Автор сообщает, что изменены 36 из 254 тензоров. Качество перевода пока не оценивалось, поэтому пригодность для конкретных текстов следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

VLAA-Thinker-Qwen2.5VL-7B — модель «зрение—язык» от UCSC-VLAA, представленная как раннее исследование обучения моделей рассуждения по изображениям по аналогии с R1. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает поддержку диалогового взаимодействия и интерфейса вызова инструментов; модель предназначена для задач, где требуется анализировать изображение с учётом текстовой инструкции и формулировать ответ. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README называет работу ранним исследованием, поэтому качество и надёжность рассуждений по изображениям могут быть ограничены; отдельные результаты и поддерживаемые языки в карточке не описаны.

XORTRON-NXTXPRT9PRO-27B — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 27 млрд параметров, созданная в рамках проекта The XORTRON Criminal Computing. Она дообучена на базе DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP и поддерживает диалог с текстом и изображениями. В метаданных указаны интерфейс вызова инструментов и задача image-text-to-text; README описывает модель как часть продолжающегося исследовательского эксперимента по безопасности и согласованию ИИ. Модель может применяться для мультимодальных диалогов и анализа изображений. Карточка не приводит результатов оценки качества, параметров контекста или конкретных рекомендаций по использованию. Модель опубликована по лицензии Apache-2.0; теги характеризуют её как uncensored и abliterated, поэтому ответы могут включать вредоносное или токсичное содержание.

Модель bsc-bio-ehr-es-meddocan разработана командой NLP4BIA Барселонского суперкомпьютерного центра и представляет собой дообученную на корпусе MEDDOCAN испаноязычную RoBERTa для классификации токенов. Она предназначена для распознавания и разметки в медицинских документах упоминаний, которые относятся к задаче корпуса MEDDOCAN, например для извлечения сущностей из клинических текстов. Модель содержит 151,8 млн параметров и обрабатывает до 514 токенов за раз. Для получения результатов, соответствующих обучению, входной текст рекомендуется предварительно разбивать на слова. Авторы не оценивали встроенные в модель смещения; такие смещения возможны из-за особенностей исходных корпусов. Модель распространяется по лицензии CC BY 4.0.

DAI-NER-nested — адаптер LoRA на базе QWEN/Qwen3.5-9B, разработанный для распознавания именованных сущностей во французских приходских записях XVI–XVIII веков. Модель дообучена на изображениях исторических документов; в карточке указаны ширина изображения 1500 пикселей, ранг LoRA 8, alpha 32 и 10 эпох обучения (около 4 тысяч шагов). Модель предназначена для извлечения сущностей из рукописных приходских записей на французском языке. Для работы требуется базовая модель QWEN/Qwen3.5-9B и поддержка адаптеров PEFT. Лицензия в предоставленных данных не указана.

RinKana/finance-gemma4-e2b — дообученная модель семейства Gemma 4, разработанная RinKana на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, предназначенная для диалоговой работы с текстом и изображениями в формате image-text-to-text. Название указывает на финансовую специализацию, однако карточка не описывает конкретные финансовые задачи, обучающие данные или проверенные сценарии применения, поэтому такую специализацию нельзя подтвердить. Модель поддерживает английский язык; опубликованные файлы представлены в формате safetensors. Лицензия — Apache-2.0.

microsoft/git-base-textvqa — базовая версия модели GIT (GenerativeImage2Text), дообученная Microsoft на наборе TextVQA для ответов на вопросы по изображениям. Это декодер Transformer, который объединяет визуальные токены изображения, полученные CLIP, с текстовыми токенами и генерирует ответ по одному токену. Размер модели — 80,1 млн параметров; метаданные указывают контекст 1024 токена и форматы PyTorch и safetensors. Модель принимает изображение и текстовый вопрос, а на выходе формирует текстовый ответ на английском языке. Она предназначена прежде всего для визуальных вопросов, включая вопросы, требующие чтения текста на изображении; архитектуру GIT также можно применять для описания изображений и видео и текстовой классификации изображений. Чекпойнт обучался на 10 млн пар изображение–текст и затем дообучался на TextVQA. Модель разработана Microsoft и распространяется по лицензии MIT. Карточка не приводит результатов оценки, поэтому качество на конкретных данных следует проверять отдельно; описание фокусируется на ответах по изображениям, и перенос на другие задачи не гарантирован.

liuhaotian/llava-v1.5-13b-shard3gb — версия чекпойнта LLaVA-v1.5-13B, опубликованная с разбиением весов на файлы размером не более 3 ГБ для загрузки на машины с ограниченной оперативной памятью CPU. LLaVA — авторегрессионный чат-бот на архитектуре Transformer, созданный дообучением LLaMA/Vicuna на мультимодальных инструкциях, сгенерированных GPT. В репозитории указаны 12,9 млрд параметров и контекст 4096 токенов. Модель предназначена для диалога по изображениям и мультимодальных задач, включая визуальные вопросы и ответы, а также для исследований больших мультимодальных моделей. Обучение включало пары изображение–текст, инструкции по изображениям, наборы VQA и диалоги ShareGPT. Модель принимает текст и изображения и генерирует текст. README ориентирует её на исследователей и энтузиастов; подтверждённых сведений о лицензии в предоставленных данных нет.

treadon/MiniCPM-V-4.6-Abliterated-AND-Disinhibited — исследовательский вариант мультимодальной модели MiniCPM-V 4.6, созданный автором treadon на основе openbmb/MiniCPM-V-4.6. Модель предназначена для сценариев image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также для экспериментов с изменением поведения языковых моделей. В модели последовательно удалены направление нейтральности и склонности к оговоркам (disinhibition), а затем направление отказов (abliteration). Изменения затрагивают только языковую основу Qwen3.5 внутри MiniCPM-V 4.6; башня компьютерного зрения в стиле SigLIP2 оставлена без изменений. Использованы веса BF16, вычисления проекций в FP32, дообучение не проводилось. Точные размеры модели, поддерживаемые языки и максимальная длина контекста в карточке не указаны. Для локального запуска доступна сборка GGUF Q4_K_M с отдельным визуальным проектором F16. Сильная сторона модели — значительно меньшая склонность уклоняться от ответов на спорные, но допустимые вопросы и почти полное снижение отказов на вредоносные запросы по представленным оценкам. Одновременно это является существенным ограничением: модель демонстрирует сниженную эпистемическую осторожность и может отвечать на опасные запросы, поэтому она не позиционируется как продуктовая модель и требует особенно строгого контроля безопасности. Модель распространяется по лицензии Apache-2.0.

MobileVLM-1.7B — мультимодальная модель зрения и языка, разработанная авторами семейства MobileVLM для запуска на мобильных устройствах. Модель построена на MobileLLaMA-1.4B-Chat с визуальным энкодером, предварительно обученным в стиле CLIP, и эффективным проектором для связи изображений с языковой частью. В метаданных указаны архитектура MobileLlamaForCausalLM, 1,3 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель предназначена для диалога по изображениям и других сценариев визуально-языкового понимания с развёртыванием на устройствах с ограниченными ресурсами. В README сообщается о сопоставимой с рядом более крупных моделей производительности на типичных VLM-бенчмарках и приводятся результаты измерения скорости на Snapdragon 888 и NVIDIA Jetson Orin. Лицензия — Apache-2.0. README не перечисляет поддерживаемые языки и не приводит подробностей о наборах данных или ограничениях качества; поэтому эти характеристики нельзя уточнить по доступным сведениям.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в нидерландских клинических текстах. Это дообученная для NER модель CLTL/MedRoBERTa.nl на архитектуре RoBERTa с 153,2 млн параметров; она размечает токены тегами BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и документов, в том числе длинных документов с обработкой перекрывающихся фрагментов. Для совпадения с оценками авторов при инференсе следует воспроизводить предварительную токенизацию обучающих данных и выравнивать смещения токенов; обычный запуск на сыром тексте может давать отличающиеся границы сущностей, особенно около пунктуации. Контекст — 514 токенов. На тестовом наборе MultiClinNER для нидерландского языка строгий F1 составил 0,5273, а символьный F1 — 0,6623. Авторы не оценивали возможные смещения модели. Лицензия — CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в клинических текстах на нидерландском языке. Это дообученная для NER модель RoBERTa на основе CLTL/MedRoBERTa.nl с 153,2 млн параметров и контекстом до 514 токенов. Она выполняет токен-классификацию по BIO-разметке: O, B-PROCEDURE и I-PROCEDURE. Модель предназначена для извлечения упоминаний процедур из клинических записей и электронных медицинских карт. Для воспроизведения заявленных результатов рекомендуется подавать предварительно токенизированный текст и корректно сопоставлять предсказания исходным смещениям; для длинных документов предусмотрен шаг перекрытия stride=128. В оценке на нидерландском тестовом наборе MultiClinNER строгий F1 составил 0,4968, а символьный F1 — 0,6633. В карточке отмечено, что смещения модели не оценивались. Модель распространяется по лицензии CC BY 4.0; при её использовании следует учитывать возможные искажения и самостоятельно снижать связанные с применением риски.

Qwen3.5-2B-Base — предобученная мультимодальная модель семейства Qwen от Alibaba. Это причинная языковая модель с визуальным энкодером и 2 млрд параметров, реализованная в архитектуре Qwen3.5 с чередованием Gated DeltaNet, Gated Attention и FFN. Репозиторий содержит веса в формате Safetensors для Transformers и совместимых сред, включая vLLM и SGLang. Модель предназначена прежде всего для дообучения, экспериментов с обучением на контексте и исследований мультимодальных сценариев; карточка не рекомендует использовать её для прямого общения. Она принимает текст и изображения и формирует текстовые ответы. Заявлены поддержка 201 языка и диалекта и контекст 262 144 токена с возможностью расширения до 1 010 000 токенов. Специальные управляющие токены поддерживают эффективное PEFT/LoRA с официальным шаблоном чата. Модель может служить основой для экспериментов по визуальному пониманию, мультимодальному рассуждению и разработке ассистентов. Ограничения: базовая версия не настроена для прямого диалога, а заявленные возможности и качество зависят от последующего дообучения и среды запуска. Лицензия — Apache-2.0.

Модель trocr-18th-c-english-obb разработана Center for Digital Scholarship при American Philosophical Society. Это дообученная TrOCR с архитектурой vision-encoder-decoder, предназначенная для распознавания рукописного английского текста XVIII века на изображениях исторических документов. Модель обучена на Revolutionary City Corpus; символы и строки в обучающих данных извлекались из сегментов, заданных ориентированными ограничивающими рамками. Для полного конвейера распознавания рекомендуется предварительно находить такие сегменты детектором ориентированных рамок, например YOLO26: анализ макета документа в саму модель не входит. Модель проверялась на документах разного качества, в том числе с просвечиванием текста и повреждениями; заявленный Character Error Rate составляет 6,27%. В обучающих данных было мало французского и латинского текста, поэтому для них и других языков может потребоваться дообучение. На английских материалах XIX–XX веков качество ниже, чем на документах XVIII века; модель не подходит для письменностей, отличных от латинской. Лицензия — MIT.

Модель mideind/yfirlestur-icelandic-correction-byt5 предназначена для исправления орфографических и грамматических ошибок в исландском тексте. Её разработала Miðeind; модель основана на предварительно обученном ByT5 и дообучена на данных с ошибками в исландском языке, включая синтетические примеры. Это модель семейства T5 с архитектурой T5ForConditionalGeneration и 595,1 млн параметров. Она принимает текст и выдаёт исправленный текст; обучение рассчитано на обработку одного предложения за раз, хотя модель может работать и с более длинным контекстом. Используются библиотеки Hugging Face Transformers и PyTorch. Модель хорошо справляется с рядом распространённых ошибок в исландском тексте, но карточка не приводит количественных оценок качества. Лицензия — CC BY-SA 4.0.