I.4Обработка документов и форм

Модель oumaimaennasri02/qwen2.5-vl-finetuned-invoices_2k разработана oumaimaennasri02 и дообучена на основе unsloth/qwen2.5-vl-7b-instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная модель Qwen2.5-VL с архитектурой dense и 7,1 млрд параметров, предназначенная для диалога по тексту и изображениям. Её задача — извлекать и интерпретировать сведения из изображений счетов и отвечать на вопросы по ним. Модель принимает текст и изображения, а выдаёт текст. Контекст составляет 32 768 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает подробностей о составе обучающих данных и качестве на разных типах счетов.

Qwen2-VL-2B-Instruct — мультимодальная модель с визуальным энкодером и плотной архитектурой Qwen2-VL, разработанная командой Qwen. Это версия с настройкой для следования инструкциям, основанная на Qwen/Qwen2-VL-2B. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает динамическое разрешение изображений, а механизм M-ROPE учитывает текстовые, визуальные и видеопозиции. В метаданных указаны 1,5 млрд параметров и контекст длиной 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, а также понимания видеоклипов, включая клипы длительностью более 20 минут. Она также может служить основой для систем, которые действуют по текстовым инструкциям, опираясь на визуальную обстановку. Модель поддерживает английский и китайский языки, а также распознавание текста на изображениях на многих других языках. Репозиторий содержит веса в формате safetensors, использовать их можно на базе Transformers; лицензия — Apache-2.0. В README отмечены ограничения: модель не понимает аудио в видео, может ошибаться при подсчёте объектов и пространственных рассуждениях, а также испытывает трудности со сложными многошаговыми инструкциями. Данные изображений обновлены до июня 2023 года; распознавание конкретных людей и объектов интеллектуальной собственности ограничено.

Qwen2-VL-7B — базовая предварительно обученная мультимодальная модель, разработанная командой Qwen. Это плотная модель с 7,1 млрд параметров для понимания изображений и видео по текстовым запросам. Она обрабатывает изображения с произвольным разрешением и соотношением сторон, а также видео длительностью более 20 минут; динамическое число визуальных токенов и позиционные кодировки M-ROPE учитывают текстовые, двумерные визуальные и трёхмерные видеоданные. Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и видео, распознавания текста на изображениях и задач, связанных с визуальным анализом и принятием решений. README описывает поддержку английского и китайского языков, а также чтение текста на изображениях на многих других языках, включая европейские языки, японский, корейский, арабский и вьетнамский. Версия в этом репозитории не прошла инструкционную настройку, поэтому для диалога и следования пользовательским инструкциям может требоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-7B-Instruct — мультимодальная модель компании Qwen с архитектурой Qwen2-VL и 7,1 млрд параметров. Это версия, дообученная для выполнения инструкций на основе Qwen/Qwen2-VL-7B; она принимает текст и изображения, а также анализирует видео по визуальным кадрам. Модель поддерживает динамическое разрешение изображений и использует M-ROPE для представления текстовых, двумерных визуальных и трёхмерных видеопозиций. Контекст — 32 768 токенов. Модель предназначена для диалога по изображениям и видео, визуального анализа и ответов на вопросы о содержимом, включая разбор документов и графиков. В README отмечена поддержка чтения текста на изображениях на многих языках, включая европейские языки, японский, корейский, арабский и вьетнамский; метаданные также указывают английский язык карточки. Модель не обрабатывает аудио в видео; её ограничения включают устаревание знаний об изображениях после июня 2023 года, неточный подсчёт объектов, слабое пространственное рассуждение и трудности со сложными многошаговыми инструкциями. Лицензия — Apache-2.0.

Qwen2-VL-OCR-2B-Instruct-GGUF — мультимодальная модель для преобразования изображений в текст, разработанная как дообученная версия Qwen/Qwen2-VL-2B-Instruct и опубликованная пользователем или организацией prithivMLmods. Она сочетает визуальное и текстовое понимание с диалоговым взаимодействием и предназначена прежде всего для OCR, распознавания небрежного рукописного текста, анализа изображений, решения математических задач и вывода формул в формате LaTeX. Модель поддерживает сценарии image-to-text и VQA, а также задачи, связанные с кодом. В метаданных указан английский язык. Модель имеет размер 2B параметров согласно названию базовой модели и распространяется в формате GGUF с вариантами от FP16 до низкоразрядных квантований Q2–Q8 и i1/IQ. Это позволяет выбирать между качеством, скоростью и требованиями к памяти, однако README не содержит количественных оценок качества, сведений о длине контекста, точном наборе поддерживаемых языков и ограничениях распознавания. Лицензия — Apache-2.0; условия конкретного запуска зависят от совместимого программного обеспечения для GGUF.

Qwen3.8-27B-NVFP4 — квантизированная версия мультимодальной модели Qwen3.8-27B, созданная vrfai на основе исходной модели Qwen. Она предназначена для задач понимания текста и изображений, включая визуальные вопросы и ответы, анализ документов, диаграмм, OCR и математических изображений. Модель рассчитана на использование через Transformers и vLLM. Модель имеет 27 млрд параметров и распространяется в формате NVFP4 W4A4 с сериализацией compressed-tensors. Размер контрольной точки составляет 18,4 ГБ против 52 ГБ у базовой модели. Квантизация применяется к 93,28% весов линейных слоёв; отдельные компоненты, включая зрительную башню, lm_head, нормализации, эмбеддинги и некоторые слои Gated DeltaNet, сохранены в bf16. В архитектуре используются attention и Gated DeltaNet, однако размер контекстного окна и список поддерживаемых языков в карточке не указаны. Основное преимущество модели — существенно меньшее потребление памяти при сохранении мультимодальных возможностей. При наличии GPU с compute capability 10.0 или новее, например NVIDIA Blackwell B100, B200 или GB200, поддерживается полноценная NVFP4-арифметика. На H100, H200 и графических процессорах Ada модель работает через weight-only путь Marlin FP4: экономия памяти сохраняется, но вычисления, особенно при обработке длинных входов и больших пакетов, могут быть медленнее, чем у версии bf16. Результаты тестов показывают измеримые потери на отдельных задачах компьютерного зрения и обработки документов; опубликованные оценки не следует напрямую считать показателями полноценного W4A4-режима на Blackwell. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-1M-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen и представленная в формате GGUF с динамической квантизацией Unsloth Dynamic 2.0. Репозиторий основан на Qwen3-VL-2B-Instruct и предназначен для запуска и инференса через совместимые инструменты, включая llama.cpp и Transformers. Модель принимает текст и изображения, а также ориентирована на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа документов, STEM- и математического рассуждения, пространственного анализа, генерации кода и взаимодействия с графическими интерфейсами и инструментами. Заявлены поддержка контекста 256K с возможным расширением до 1M токенов, улучшенное понимание длительных видео и OCR на 32 языках; конкретный перечень языков в README не приведён. Архитектурно модель использует плотную конфигурацию с примерно 2 млрд параметров, а среди ключевых компонентов указаны Interleaved-MRoPE для временных и пространственных позиций, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Сильными сторонами являются сочетание текстового и визуального понимания, работа с длинным контекстом, документами, видео и пространственными отношениями. Ограничения включают небольшой по современным меркам размер, возможные потери качества из-за квантизации и отсутствие в README подробных количественных результатов, точного списка языков и требований к аппаратному обеспечению. Лицензия — Apache-2.0.

cyankiwi/Qwen3-VL-2B-Instruct-AWQ-4bit — это 4-битная AWQ-квантизованная версия мультимодальной instruct-модели Qwen3-VL-2B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также заявлена для понимания видео, визуального рассуждения и взаимодействия с графическими интерфейсами. Она может использоваться для описания изображений, визуального и текстового анализа, OCR, STEM- и математических задач, генерации кода и выполнения агентных сценариев с инструментами. Модель относится к плотной архитектуре и имеет 2 млрд параметров в базовой версии; применённая 4-битная AWQ-квантизация снижает требования к памяти и может упростить локальное развёртывание, потенциально ценой некоторого снижения точности по сравнению с полной версией. В README указаны контекст до 256K токенов с возможностью расширения до 1M, поддержка видео с временной индексацией и OCR на 32 языках, однако конкретный список языков для данной сборки не приведён. Среди архитектурных компонентов упомянуты Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Сильные стороны модели — сочетание текстового и визуального понимания, анализ пространственных отношений, работа с длинным контекстом, документами и видео, а также поддержка визуального управления интерфейсами. Ограничения включают возможные потери качества из-за 4-битной квантизации и отсутствие в представленном README детальных результатов тестирования именно этой AWQ-сборки. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-2B-Instruct-bnb-4bit — 4-битная квантованная версия мультимодальной модели Qwen3-VL-2B-Instruct, опубликованная Unsloth на основе модели Qwen. Это instruction-модель архитектуры Dense с примерно 2 млрд параметров, предназначенная для обработки изображений и текста, а также для задач понимания видео и визуально-текстового диалога. Модель подходит для описания и анализа изображений, визуального и пространственного рассуждения, OCR, STEM- и математических задач, генерации кода и разметки Draw.io/HTML/CSS/JS по визуальным материалам, а также для взаимодействия с графическими интерфейсами и инструментами. Заявлены контекст длиной 256 тысяч токенов с возможностью расширения до 1 млн, понимание длинных документов и продолжительных видеозаписей, а также OCR для 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. К сильным сторонам относятся сочетание языкового и визуального понимания, улучшенная работа с пространственными отношениями, видео, документами и мелкими визуальными деталями, а также сниженные требования к памяти благодаря 4-битному формату. README не приводит точный перечень поддерживаемых языков, аппаратные требования и детальные ограничения квантованной версии; на практике 4-битное представление может влиять на точность, но конкретные потери здесь не указаны. Лицензия — Apache-2.0.

unsloth/Qwen3-VL-2B-Instruct-unsloth-bnb-4bit — 4-битная версия модели Qwen3-VL-2B-Instruct, опубликованная Unsloth и основанная на модели Qwen. Это мультимодальная instruct-модель для понимания и генерации текста по изображениям, а также для работы с визуальными и текстовыми данными. Она предназначена для описания изображений, визуального рассуждения, анализа документов и видео, OCR, решения STEM- и математических задач, генерации HTML/CSS/JS и Draw.io по визуальным примерам, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру и размер 2B параметров; поддерживает текст и изображения, а заявленные возможности включают обработку видео и пространственное рассуждение. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных позиционных представлений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — сочетание текстового и визуального понимания, работа с длинным контекстом, видео, пространственными отношениями и документами, а также сниженные требования к памяти благодаря 4-битному квантованию. Ограничения, результаты тестов и точные требования к оборудованию в README не описаны; квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

QuantTrio/Qwen3-VL-32B-Instruct-AWQ — это квантизированная версия AWQ мультимодальной instruct-модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Репозиторий предназначен для запуска модели с использованием Transformers и vLLM; размер файлов модели составляет около 20 GiB, а в README приведена конфигурация с контекстом 32 768 токенов и тензорным параллелизмом на двух GPU. Модель принимает текст и визуальные данные, включая изображения и видео, и предназначена для генерации ответов, визуального анализа, OCR, пространственного и временного рассуждения, STEM- и математических задач, визуального программирования, а также взаимодействия с графическими интерфейсами и инструментами. Для OCR заявлена поддержка 32 языков, однако полный перечень языков в README не указан. Базовая архитектура включает механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, направленные на улучшение обработки длинного контекста, деталей изображений и видеособытий. Для исходной модели заявлен нативный контекст до 256K с возможностью расширения до 1M, но для данной AWQ-конфигурации в примере запуска задан лимит 32 768 токенов. Сильные стороны модели — сочетание текстового и визуального понимания, работа с изображениями и видео, распознавание текста в сложных условиях и развитое пространственно-временное рассуждение. Ограничения связаны с необходимостью совместимого программного окружения и GPU-инфраструктуры; README рекомендует vLLM версии 0.11.0 или выше и qwen-vl-utils 0.0.14. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-32B-Instruct-unsloth-bnb-4bit — 4-битная версия модели Qwen3-VL-32B-Instruct, подготовленная Unsloth на базе модели Qwen. Это мультимодальная vision-language модель для понимания и генерации текста по изображениям и видео, а также для работы с чистым текстом. Модель предназначена для описания и анализа изображений, визуального и пространственного рассуждения, распознавания текста, понимания длительных видеоматериалов, STEM- и математических задач, генерации кода и взаимодействия с графическими интерфейсами. Заявлены возможности визуального агента для работы с GUI, поддержка 2D- и 3D-пространственного анализа, а также OCR для 32 языков. Архитектурные компоненты включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Контекст составляет 256K токенов с возможностью расширения до 1M. Это instruct-модель с 32B параметров в исходной конфигурации, представленная в 4-битном формате bitsandbytes для снижения требований к памяти. К сильным сторонам относятся объединённое понимание текста и визуальных данных, расширенное восприятие изображений и видео, длинный контекст и агентские сценарии. Ограничения, включая возможные потери качества из-за квантизации и требования к вычислительным ресурсам, в README подробно не описаны. Указана лицензия Apache-2.0.

Qwen3-VL-32B-Thinking — мультимодальная модель для понимания и генерации текста на основе изображений, видео и текстовых запросов. Базовую модель разработала команда Qwen, а данный репозиторий предоставляет её веса в формате GGUF и включает исправления шаблона чата от Unsloth. Модель предназначена для визуального анализа, OCR, STEM- и математического рассуждения, понимания пространственных отношений и видео, генерации кода и взаимодействия с графическими интерфейсами компьютеров и мобильных устройств. Модель относится к плотной архитектуре и содержит 32 млрд параметров. Она поддерживает нативный контекст 256 тысяч токенов с возможностью расширения до 1 млн, а также обработку длительных документов и многочасового видео. Заявлены улучшения визуального и пространственного восприятия, временной привязки событий в видео, распознавания текста на 32 языках и работы с изображениями в сложных условиях, включая низкую освещённость, размытие и наклон. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Сильные стороны модели — сочетание развитого текстового и визуального рассуждения, длинного контекста, анализа пространственных и временных связей, а также сценариев визуального агента и визуального программирования. Ограничения README не описывает; формат GGUF ориентирован на запуск через совместимые инструменты, включая llama.cpp, для которого рекомендуется использовать параметр --jinja. Модель распространяется по лицензии Apache-2.0.

wangkanai/qwen3-vl-4b-instruct — мультимодальная модель на 4 млрд параметров, основанная на Qwen3-VL-4B-Instruct команды Qwen в Alibaba Cloud. В репозитории представлены веса SafeTensors и GGUF FP16; карточка описывает версию как abliterated. Лицензия — Apache-2.0. Модель принимает текст и изображения, а также предназначена для понимания видео. Она подходит для визуальных вопросов и ответов, OCR, анализа сцен и временных событий, рассуждений по изображениям, генерации кода интерфейсов и взаимодействия с графическими интерфейсами. В карточке заявлены 256K токенов контекста с возможностью расширения до 1M, OCR на 32 языках, пространственное рассуждение и привязка событий видео к временным меткам. Архитектура включает визуальный энкодер DeepStack на основе ViT и позиционное кодирование Interleaved-MRoPE. Для инференса указаны требования от 12 ГБ видеопамяти и 16 ГБ системной памяти для FP16; результаты и скорость зависят от оборудования и настроек. Заявленные возможности OCR и пространственного анализа приведены в README и не сопровождаются здесь независимыми оценками качества.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-8bit — 8-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также заявлена для понимания видео, визуального рассуждения и взаимодействия с графическими интерфейсами. Она подходит для описания изображений, визуального вопросно-ответного взаимодействия, OCR, анализа документов, STEM-задач, генерации кода и разметки интерфейсов по визуальным примерам. Модель использует плотную архитектуру размером 4B параметров и поддерживает контекст до 256K токенов с возможностью расширения до 1M. Среди заявленных архитектурных компонентов — Interleaved-MRoPE для временных и пространственных координат, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Указана поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и изображений, распознавание объектов и документов, пространственное и временное рассуждение, работа с длинным контекстом и сценарии визуального агента. Ограничения включают уменьшенную точность, возможные потери качества и совместимость, связанные с 8-битной AWQ-квантизацией, а также отсутствие в README подробных количественных результатов, полного списка языков и требований к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Thinking-1M-GGUF — мультимодальная vision-language модель в формате GGUF, подготовленная Unsloth на базе Qwen/Qwen3-VL-4B-Thinking. Это reasoning-ориентированная версия семейства Qwen3-VL с плотной архитектурой и примерно 4 млрд параметров, предназначенная для локального и эффективного развёртывания, в том числе через llama.cpp с использованием шаблонов чата Jinja. Модель принимает текст и изображения, а также ориентирована на понимание видео. Она предназначена для визуального вопросно-ответного взаимодействия, распознавания и анализа изображений, OCR, понимания документов, STEM- и математического рассуждения, пространственного анализа, генерации кода и взаимодействия с графическими интерфейсами и инструментами. Заявлены улучшенные возможности визуального распознавания, анализа временной структуры видео и работы с длинным контекстом: базовый контекст составляет 256K токенов с возможностью расширения до 1M. Ключевые архитектурные особенности включают Interleaved-MRoPE для пространственно-временного позиционного кодирования, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками для анализа событий в видео. Заявлена поддержка OCR на 32 языках, однако полный список языков модели в карточке не приведён. Сильными сторонами являются сочетание текстового и визуального рассуждения, работа с длинными документами и видео, пространственное понимание и сценарии visual agent. Ограничения включают зависимость качества от используемой квантизации GGUF, вычислительных ресурсов и совместимости программного окружения; конкретные параметры квантизации и результаты тестов в README не указаны. Модель распространяется по лицензии Apache-2.0.

Это репозиторий весов Qwen3-VL-8B-Instruct, опубликованный Unsloth на основе Qwen/Qwen3-VL-8B-Instruct. Модель относится к плотной мультимодальной архитектуре Qwen3-VL и содержит 8 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов. Она предназначена для ответов на вопросы по изображениям, визуального рассуждения, OCR, анализа видео, пространственного понимания и задач визуального агента, а также генерации текста. В карточке заявлен контекст 256 тысяч токенов с возможностью расширения до 1 млн; для OCR указана поддержка 32 языков, но их перечень не приведён. Среди заявленных улучшений — обработка временных меток в видео, объединение визуальных признаков разных уровней и распознавание мелких деталей. Практические ограничения и независимые результаты оценки в README не приведены; заявленные характеристики производительности не сопровождаются таблицами результатов.

cyankiwi/Qwen3-VL-8B-Instruct-AWQ-4bit — 4-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Модель предназначена для обработки изображений, видео и текста: она поддерживает визуальные вопросы и ответы, описание и анализ изображений, OCR, понимание документов и видео, пространственное рассуждение, STEM- и математические задачи, а также взаимодействие с графическими интерфейсами и инструментами. В README также заявлена генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео. Модель имеет плотную архитектуру с 8 млрд параметров, поддерживает текстово-визуальное понимание и контекст до 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных зависимостей, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К преимуществам относятся улучшенное распознавание объектов, документов и пространственных отношений, длительный контекст и понимание видео; ограничения конкретной AWQ-квантизации, точные требования к оборудованию и результаты тестов для данного репозитория не указаны. Распространяется по лицензии Apache-2.0.

unsloth/Qwen3-VL-8B-Instruct-bnb-4bit — 4-битная квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, опубликованная Unsloth на основе модели Qwen от Qwen Team. Она предназначена для работы с текстом и изображениями, а также для анализа видео, визуального распознавания, OCR, пространственного и мультимодального рассуждения. Модель имеет размер 8B параметров и поддерживает контекст длиной 256K токенов с возможностью расширения до 1M. Среди её возможностей заявлены управление графическими интерфейсами компьютеров и мобильных устройств, генерация Draw.io, HTML, CSS и JavaScript по изображениям и видео, анализ пространственных отношений, понимание длительных видео с временной локализацией событий, STEM- и математическое рассуждение, а также распознавание широкого спектра объектов и сцен. OCR поддерживает 32 языка и устойчив к низкому освещению, размытию и наклону текста. К архитектурным особенностям относятся Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения признаков разных уровней ViT и выравнивание текста с временными метками. Квантованный 4-битный формат ориентирован на более экономичное по памяти развёртывание, однако README не приводит точные требования к оборудованию, результаты для данной квантованной версии или детальные ограничения качества. Модель распространяется по лицензии Apache-2.0.

Mungert/Qwen3-VL-8B-Instruct-GGUF — квантованная GGUF-версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen и подготовленной пользователем Mungert с помощью llama.cpp. Модель предназначена для задач «изображение—текст»: анализа изображений и видео, генерации текста, визуального вопросно-ответного взаимодействия, OCR, пространственного рассуждения, анализа документов, визуального программирования и взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает обработку текста, изображений и видео. Заявлены нативный контекст до 256K токенов с возможностью расширения до 1M, понимание длительных видео с временной индексацией, улучшенное пространственное рассуждение и OCR для 32 языков. Среди архитектурных компонентов указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Формат GGUF ориентирован на запуск через llama.cpp и другие совместимые средства локального инференса. Сильными сторонами являются мультимодальность, распознавание текста в сложных условиях, анализ пространственных и временных отношений, работа с длинным контекстом и возможности визуального агента. Точность и размер файла зависят от выбранного уровня квантования: низкая разрядность может ухудшать качество, тогда как описанный автором подход с повышением точности отдельных слоёв увеличивает размер модели и потенциально сохраняет больше точности. README не содержит подробных результатов тестирования конкретных квантованных файлов и сведений о требованиях к оборудованию. Лицензия — Apache 2.0.

Модель gbull25/qwen3-vl-russian-handwriting — дообученная gbull25 мультимодальная модель семейства Qwen3-VL для работы с изображениями и текстом. Она основана на unsloth/qwen3-vl-4b-instruct-unsloth-bnb-4bit и предназначена для распознавания и интерпретации рукописного текста на изображениях с ответом в текстовом формате. Архитектура — Qwen3VLForConditionalGeneration; модель использует формат safetensors и поддерживает диалоговый интерфейс и обработку изображений. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества, поэтому точность распознавания рукописей нельзя определить по доступным сведениям.

rai reader 0.3.8 — экстрактивная модель для ответов на вопросы, разработанная для инструмента rai. Она получает вопрос и короткий ответ в свободной форме и извлекает из него фразу, отвечающую на вопрос, либо возвращает отсутствие ответа. Текст не генерирует; проверка полноты и принятие решений после извлечения выполняются обычным кодом. Модель предназначена для заранее заданных форм, где каждый вопрос запрашивает конкретные сведения — например, имя, число, место или время, — а ответы вводятся короткими фразами. В основе лежит deepset/minilm-uncased-squad2: веса трёх читателей усреднены, включая читатель, обученный распознавать некоторые ответы на хинглиш. Архитектура BERT, около 40 млн параметров по метаданным и контекст до 512 токенов. В карточке описаны английские и хинглиш-тесты, но показатели на них ограничены конкретными наборами. Модель не является универсальной проверкой полноты и сама не определяет, верен ли ответ или достаточен ли он. Карточка указывает лицензию CC-BY-4.0.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder, созданных адаптацией предварительно обученных моделей Gemma 3. Этот репозиторий содержит предварительно обученную модель с энкодером и декодером по 4 млрд параметров; адаптация выполнена с использованием UL2. Модель принимает текст и изображения и генерирует текст, поддерживает более 140 языков и контекст до 128 тыс. токенов. Модель предназначена для генерации текста и понимания изображений, включая ответы на вопросы, суммаризацию, рассуждения и задачи по визуальным документам. В карточке приведены результаты оценки на наборах COCOcap, DocVQA и InfoVQA, а также тестах длинного контекста. Google описывает семейство как исследовательское; веса доступны для использования по лицензии Gemma. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Разработчикам следует самостоятельно оценивать безопасность и качество результатов.

MusaNyaks/trocr-barbados-fold2 — дообученная модель Microsoft TrOCR base handwritten для преобразования изображений рукописного текста в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания рукописных строк; в README указано значение loss 0,9111 на наборе оценки. Данные обучения, целевой язык и подробные сценарии применения в карточке не описаны. Модель распространяется в формате safetensors по лицензии MIT.

TR-OCR Large AR/EN Handwritten — модель распознавания рукописного текста на изображениях, созданная David Magdy и Ahmed Wahdan на основе Microsoft TrOCR Large. Она дообучена на наборах Khatt и IAM для чтения арабского и английского текста в документах и преобразования его в текст. Модель использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста, а не для анализа изображений общего назначения. Репозиторий содержит веса в формате safetensors; для загрузки указана библиотека Transformers. Лицензия — Apache-2.0.

UVDoc — модель семейства UVDoc от PaddlePaddle, предназначенная для геометрической коррекции изображений документов. Она преобразует искажённые снимки, исправляя деформацию, наклон и перспективу, чтобы улучшить точность последующего распознавания текста. В карточке указана оценка CER 0,179 на тестовом наборе DocUNet; подробности методики измерения не приведены. Модель распространяется в формате safetensors и рассчитана на обработку изображений с текстом. Метаданные указывают английский и китайский языки, библиотеку PaddleOCR и лицензию Apache-2.0. Размер модели и длина контекста не относятся к указанному сценарию и в доступных данных не описаны.

armvectores/yolov8n_handwritten_text_detection — модель обнаружения объектов на базе YOLOv8, дообученная на наборе данных armvectores/handwritten_text_detection для поиска рукописного текста на изображениях. Она предназначена для локализации областей с рукописным текстом, в том числе в сценариях обработки документов и изображений в реальном времени. В карточке указана итоговая метрика IoU 0,98; веса представлены в формате PyTorch и для использования описана библиотека Ultralytics. Лицензия в предоставленных данных не указана.

ArmorOCR-GGUF — GGUF-версия мультимодальной модели ArmorOCR, разработанной командой inclusionAI (Ant Group) на базе Qwen3-VL-8B-Instruct. Модель предназначена для распознавания текста на изображениях, включая adversarial OCR и degraded visual conditions, когда изображение содержит искажения или подвергается атакам. Она поддерживает grounded OCR и vision-language сценарии, выполняя инференс непосредственно по исходному изображению без обязательного кадрирования, увеличения, шумоподавления или внешних инструментов. Заявленный язык — английский. ArmorOCR использует двухэтапный подход с observation-transferred self-distillation и формирует структурированный ответ: рассуждение помещается в теги <analyze></analyze>, а распознанный текст — в <answer></answer>. Публикация содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размеры основных файлов составляют примерно от 3,28 до 16,4 ГБ. Для обработки изображений предусмотрены отдельные multimodal-проекции mmproj в форматах BF16, F16 и Q8_0, что позволяет использовать модель через llama.cpp. Сильной стороной модели является устойчивость к неблагоприятным визуальным условиям и возможность однопроходного распознавания исходного изображения. Ограничения включают ориентацию заявленного языка на английский, значительные требования к дисковому пространству и памяти для высокоточных вариантов, а также зависимость качества от выбранного уровня квантования и совместимости используемого inference-стека. Модель распространяется по лицензии Apache 2.0; использование также регулируется лицензией и политикой допустимого использования базовой Qwen3-VL-8B-Instruct.

cyrillic_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она принимает изображение строки и преобразует текст на кириллице в строку; модель можно использовать как компонент OCR-системы или в конвейере PP-OCRv5 вместе с обнаружением текста и другими модулями обработки изображения. Заявленная точность составляет 80,27%; при оценке строка считалась ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Это специализированный распознаватель строк, поэтому для полного извлечения текста из документа обычно требуется конвейер с обнаружением текстовых областей. Модель распространяется по лицензии Apache-2.0.

Elliot OV2 SFT 9k — исследовательский vision-language чекпойнт ElliotVL, экспортированный из 9-тысячного шага обучения Megatron в формат Hugging Face. Модель содержит 2 млрд параметров: языковая башня основана на Qwen3.5-2B с гибридным полным и линейным вниманием, а визуальная — на SigLIP2 NaViT с поддержкой изображений исходного разрешения. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Она предназначена для диалога по изображениям, распознавания текста на изображениях и документов, визуальных вопросов и ответов, а также анализа диаграмм и графиков. В README приведены результаты оценки на OCRBench, RealWorldQA и других наборах; автор отдельно указывает ограничения сопоставимости некоторых бенчмарков и особенности их подсчёта. Для запуска требуется Transformers 5.8.0.dev0, а также PyTorch, Pillow, Accelerate и Safetensors; в репозитории представлены веса safetensors, процессор, шаблон чата и модули удалённого кода. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели.