I.4Обработка документов и форм

Penguin-VL-2B — компактная vision-language-модель Tencent, построенная на языковой основе Qwen3-1.7B. В модели объединены визуальный энкодер, созданный на основе Qwen3-0.6B, лёгкий MLP-проектор и языковой бэкенд Qwen3. Энкодер использует двунаправленное внимание и 2D-RoPE для обработки пространственной информации; для видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых задач с изображениями и видео: ответов на визуальные вопросы, OCR, понимания документов и диаграмм, а также рассуждений по содержимому кадров. Заявленная длина контекста — 40 960 токенов, размер языковой основы — 1,7 млрд параметров. В карточке приведены результаты на тестах для изображений, документов, OCR, математики и видео. Метаданные указывают английский язык; других языков карточка не подтверждает. Модель дообучена на Qwen/Qwen3-1.7B, распространяется в формате Safetensors по лицензии Apache-2.0. Качество может зависеть от разрешения и сложности визуального входа; опубликованные результаты бенчмарков не гарантируют точность на конкретных данных. Описание не уточняет ограничения по длительности видео или точную процедуру запуска.

Penguin-VL-8B — компактная зрительно-языковая модель Tencent, построенная на базе Qwen3-8B и разработанная для обработки изображений, документов и видео вместе с текстом. Модель содержит около 7,6 млрд параметров и использует архитектуру PenguinVLQwen3ForCausalLM: визуальный энкодер, инициализированный текстовой моделью Qwen3-0.6B, лёгкий MLP-проектор и языковую основу Qwen3. Для понимания видео применяется сжатие токенов с учётом временной избыточности кадров. Модель предназначена для диалоговых запросов по визуальному содержимому: ответов на вопросы по изображениям и видео, OCR, анализа диаграмм и документов, а также мультимодальных рассуждений. В README сообщается о конкурентных результатах на тестах для изображений, документов, OCR, математики и видео; контекст составляет 40 960 токенов. Метаданные указывают английский язык, библиотеку Transformers и лицензию Apache-2.0. Хотя README описывает визуальные и видеовозможности, pipeline_tag и каталог классифицируют репозиторий как text-generation. Не следует считать приведённые результаты гарантией качества на произвольных данных; README не уточняет ограничения по разрешению, длительности видео и аппаратным требованиям.

Perseus-Doc-vl-0712-i1-GGUF — это квантованные файлы GGUF базовой визуально-языковой модели Perseus-Doc-VL-0712, разработанной prithivMLmods и подготовленной к квантованию пользователем mradermacher. Модель предназначена для работы с документами и изображениями: распознавания текста, интеллектуального распознавания рукописного текста, анализа PDF и других визуальных данных, генерации подписей и преобразования изображений в текст. Доступны mmproj-файлы для мультимодального режима. В README указана поддержка английского и китайского языков. Архитектура, число параметров, размер контекста и точный набор поддерживаемых входных форматов не раскрыты. Репозиторий содержит варианты квантования от 2,0 до 6,4 ГБ; более компактные варианты требуют меньших ресурсов, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. Основные ограничения — отсутствие подробных количественных оценок, сведений о производительности и характеристиках базовой модели в карточке данного репозитория. Модель распространяется по лицензии Apache-2.0. Указанные в README датасеты включают OpenDoc-Pdf-Preview, Corvus-OCR-Caption-Mix, Openpdf-Analysis-Recognition и Opendoc2-Analysis-Recognition.

Qari-OCR-0.2.2.1-VL-2B-Instruct — мультимодальная модель для оптического распознавания арабского текста на изображениях страниц документов. Она разработана в рамках проекта NAMAA и является дообученной версией Qwen2-VL-2B-Instruct на арабском наборе данных OCR объёмом 50 000 записей. Модель предназначена прежде всего для извлечения текста со страниц документов и поддерживает арабский язык. Модель основана на архитектуре Qwen2-VL и относится к классу vision-language моделей с параметрами порядка 2 млрд. Она рассчитана на обработку изображений и генерацию текстового представления документа, включая арабские диакритические знаки ташкиль. В обучении использовались различные размеры шрифта, форматы страниц и набор арабских шрифтов, поэтому модель подходит для документов с разными шрифтами и макетами. Длина контекста и точный перечень поддерживаемых модальностей в README не указаны. Согласно приведённой оценке, модель показала WER 0,221, CER 0,059 и BLEU 0,597 на тестовом наборе, преимущественно содержащем тексты с диакритическими знаками. Ограничения включают возможное снижение качества на очень мелком или крупном тексте, редких шрифтах, сложных многоколоночных макетах, рукописном или декоративном письме, текстурированных фонах, размытых изображениях, а также на вертикально или диагонально ориентированном тексте. Модель распространяется по лицензии Apache-2.0.

Qari-OCR-0.3-SNAPSHOT-VL-2B-Instruct-merged-GGUF — это квантизированная GGUF-версия мультимодальной модели Qari-OCR-v0.3-VL-2B-Instruct, разработанной NAMAA-Space и подготовленной квантизацией пользователем mradermacher. Модель предназначена для распознавания и преобразования содержимого изображений в текст, включая сценарии OCR и генерацию Markdown. В README указана поддержка арабского языка и библиотеки Transformers. Модель имеет мультимодальную архитектуру с 2 млрд параметров и поставляется в нескольких вариантах квантизации GGUF размером примерно от 0,8 до 3,2 ГБ. Для обработки изображений требуются дополнительные мультимодальные компоненты mmproj в форматах Q8_0 или f16. Доступны варианты с разным соотношением скорости, размера и качества: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Сильными сторонами модели являются компактный размер, поддержка мультимодального OCR и наличие различных уровней квантизации для запуска на оборудовании с разными ресурсами. README не содержит сведений о размере контекста, точном наборе поддерживаемых языков помимо арабского, результатах бенчмарков, ограничениях распознавания или подробностях архитектуры. Модель распространяется по лицензии Apache-2.0.

QTuneVL1.5-2B — компактная мультимодальная языковая модель Reconova AI Lab для диалога с изображениями и анализа визуального содержимого. Модель использует архитектуру InternVLChat и объединяет компоненты Qwen2.5-1.5B и InternViT-300M-v2.5; в README также описана настройка на InternVL3-2B и стратегии обрезки и дополнения изображений, применяемые в Mini-Monkey, UReader и InternVL. Модель предназначена для ответов на вопросы по изображениям, визуальных рассуждений и распознавания текста на изображениях. В README приведено сравнение с предшественником QTuneVL1-2B по восьми тестам, включая OCRBench, MMStar и MMMU, с оговоркой, что конфигурация оценщика GPT в VLMEvalKit может отличаться от официальной. Репозиторий использует Transformers и формат safetensors; лицензия — MIT.

unsloth/Qwen2-VL-2B-Instruct — инструктивно настроенная мультимодальная модель на архитектуре Qwen2-VL, опубликованная Unsloth на основе Qwen/Qwen2-VL-2B-Instruct. Она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы; поддерживает обработку изображений разных разрешений и видео. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений, чтения текста на изображениях и диалога по видеоматериалам. В README также заявлена поддержка распознавания текста на разных языках, включая английский, китайский, японский, корейский и ряд других языков; в метаданных карточки указан английский. Архитектура использует динамическое разрешение изображений и мультимодальные позиционные представления M-ROPE. Модель не обрабатывает звук в видео, может ошибаться при подсчёте объектов, сложных многошаговых инструкциях и пространственных рассуждениях; сведения в обучающих данных об изображениях актуальны до июня 2023 года. Репозиторий распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct-unsloth-bnb-4bit — мультимодальная instruction-tuned модель, основанная на Qwen/Qwen2-VL-2B-Instruct и подготовленная Unsloth. Она предназначена для обработки изображений, видео и текстовых инструкций: визуального вопросно-ответного взаимодействия, анализа документов и сцен, распознавания текста на изображениях, а также мультимодальных диалогов и сценариев, где требуется интерпретация визуальной среды. Модель совместима с библиотекой Transformers и имеет тип pipeline image-text-to-text. Ключевая особенность версии — динамическое 4-битное квантование Unsloth BnB: отдельные параметры не квантуются, чтобы сохранить качество при сопоставимом снижении потребления VRAM. Архитектура Qwen2-VL поддерживает изображения произвольного разрешения благодаря динамическому числу визуальных токенов, использует мультимодальные позиционные embeddings M-ROPE для текстовых, двумерных визуальных и трёхмерных видеоданных и рассчитана на понимание видео длительностью более 20 минут. Заявлена многоязычная работа с текстом внутри изображений, включая английский, китайский, европейские языки, японский, корейский, арабский и вьетнамский. Сильные стороны модели — компактный размер 2B, сниженные требования к видеопамяти, поддержка нескольких модальностей, динамическая обработка изображений и широкий спектр визуальных задач. Ограничения, включая точные значения контекстного окна, производительность и качество для отдельных языков и сценариев, в предоставленных данных не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-72B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Она содержит 71,5 млрд параметров и предназначена для понимания изображений и видео по текстовым запросам, включая визуальные вопросы и ответы, диалог по содержимому видео, анализ документов и создание описаний. Модель не проходила настройку инструкциями, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. Архитектура — плотная Qwen2-VL с классом Qwen2VLForConditionalGeneration. Она обрабатывает изображения произвольного разрешения с динамическим числом визуальных токенов и использует M-ROPE для позиционной информации текста, изображений и видео. Видеосценарии включают анализ роликов длительностью более 20 минут. Контекст — до 32 768 токенов. Модель понимает текст на изображениях на английском, китайском и ряде других языков, включая европейские языки, японский, корейский, арабский и вьетнамский. Модель подходит для визуального анализа и мультимодальных сценариев, однако заявленные высокие результаты приведены в карточке без подробностей об условиях оценки. Для запуска потребуется значительный объём вычислительных ресурсов из-за размера модели. Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели.

Vishva007/Qwen3.8-27B-W4A16-AutoRound — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель предназначена для генерации текста по текстовым и визуальным входам, включая анализ изображений и задачи оптического распознавания символов (OCR). В README она обозначена как vision-language model с поддержкой сценария image-text-to-text. Модель содержит около 27 млрд параметров и использует формат квантизации W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизация выполнена с помощью Intel AutoRound с размером группы 64, симметричной схемой, 512 калибровочными образцами и 600 итерациями настройки. Визуальная башня сохранена в формате BF16, как и специальные MTP-слои, что должно помогать сохранять качество визуального рассуждения и OCR. Заявленное потребление видеопамяти составляет примерно 16–18 ГБ против около 54 ГБ у исходной BF16-модели, поэтому вариант подходит для запуска на одной видеокарте с 24 ГБ VRAM и для высокопроизводительного сервинга через vLLM. К преимуществам относятся существенно сниженные требования к памяти и потенциально более высокая скорость декодирования при сохранении визуальных компонентов в BF16. Ограничения включают возможную потерю точности из-за 4-битной квантизации, а также отсутствие в README сведений о поддерживаемых языках, точном размере контекста, результатах бенчмарков и детальных ограничениях применения. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-GGUF — мультимодальная vision-language модель из серии Qwen3-VL, представленная Unsloth на основе Qwen/Qwen3-VL-2B-Instruct. Репозиторий содержит GGUF-версию весов с исправлениями chat template от Unsloth и предназначен для локального запуска и интеграции с совместимыми инструментами. Модель рассчитана на обработку текста и изображений, а семейство Qwen3-VL также поддерживает понимание видео. Она предназначена для визуального диалога, распознавания и анализа содержимого изображений, OCR, пространственного рассуждения, STEM-задач, генерации кода и взаимодействия с графическими интерфейсами. Указан размер 2B параметров; архитектура описана как мультимодальная, с компонентами Interleaved-MRoPE, DeepStack и выравниванием текста с временными метками. Для семейства заявлен контекст до 256K токенов с возможностью расширения до 1M, но применимость этих характеристик именно к данной GGUF-сборке README не уточняет. Сильные стороны модели — сочетание компактного размера, визуального и текстового понимания, расширенного OCR для 32 языков, анализа пространственных отношений и видео, а также возможности локального развертывания в GGUF-формате. Ограничения включают меньший размер по сравнению с более крупными вариантами семейства и зависимость производительности от выбранного уровня квантования и используемого программного обеспечения; конкретные параметры квантования в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Thinking-1M-GGUF — GGUF-репозиторий весов мультимодальной модели Qwen3-VL-30B-A3B-Thinking, разработанной командой Qwen; сборка и адаптация опубликованы Unsloth. Модель предназначена для совместной обработки текста и изображений, а также для анализа видео, визуального рассуждения, OCR, генерации описаний и ответов, STEM-задач, пространственного анализа, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Модель использует MoE-архитектуру и относится к Thinking-редакции с усиленным рассуждением; в названии указаны 30B общих параметров и 3B активных параметров. Она поддерживает нативный контекст до 256K токенов с заявленной возможностью расширения до 1M, а также обработку длинных документов и продолжительных видео. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных позиций, DeepStack для объединения признаков ViT разных уровней и выравнивание текста с временными метками. OCR заявлен для 32 языков, однако полный перечень языков в README не приведён. К сильным сторонам относятся визуальное и мультимодальное рассуждение, понимание пространственных отношений, видео и длинного контекста, распознавание текста в сложных условиях и возможности визуального агента. Ограничения конкретной GGUF-квантизации, требования к ресурсам, точные параметры квантизации и результаты тестов в README не указаны; заявленные преимущества Unsloth Dynamic 2.0 приведены без подробных подтверждающих данных. Для запуска с llama.cpp требуется использовать параметр --jinja. Репозиторий распространяется по лицензии Apache-2.0.

n0kovo/Qwen3-VL-32B-Instruct-heretic-v2 — версия Qwen3-VL-32B-Instruct, обработанная методом abliteration: по приведённому сравнению модель реже отказывает в ответе, сохраняя близость к исходному поведению с KL-дивергенцией 0,1565. Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration, предназначенная для диалогов по тексту и изображениям. Модель подходит для визуальных вопросов и ответов, распознавания текста на изображениях, анализа сцен и пространственных отношений, а также понимания видео и генерации текста. В README для исходной модели указаны контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; метаданные этой копии не подтверждают, что все эти характеристики сохранены без изменений. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Qwen3-VL-4B-Instruct GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Данная версия представляет собой GGUF-сборку весов Qwen3-VL-4B-Instruct, подготовленную автором Mungert с использованием llama.cpp. Модель предназначена для диалога и генерации текста на основе изображений, видео и текстовых запросов. Модель имеет плотную архитектуру и размер 4B параметров. Она поддерживает анализ изображений и видео, визуальное распознавание, OCR, пространственное рассуждение, понимание длительных видеосцен, мультимодальные задачи STEM и генерацию кода интерфейсов и схем по визуальным материалам. Также заявлены возможности визуального агента для взаимодействия с графическими интерфейсами и инструментами. Контекст составляет 256K токенов с возможностью расширения до 1M; OCR заявлен для 32 языков, однако полный перечень языков в карточке не указан. К сильным сторонам относятся расширенное понимание изображений и видео, точное пространственное и временное рассуждение, обработка длинного контекста, улучшенное распознавание текста и интеграция визуальной и текстовой информации. GGUF-формат удобен для локального запуска через llama.cpp, а применённый автором подход с повышением точности отдельных слоёв призван улучшить качество при заданном уровне квантизации, хотя увеличивает размер файла. Ограничения включают зависимость качества от выбранного варианта квантизации и аппаратных ресурсов, а также отсутствие в README подробных результатов тестирования и требований к памяти. Лицензия — Apache 2.0.

t-firefly/qwen3-vl-4b-rknn3-rk1828 — производная модель семейства Qwen3-VL, подготовленная для запуска на платформе Rockchip RK1828 через LlamaPi. В основе лежит Qwen3-VL-4B-Instruct от команды Qwen: плотная мультимодальная модель на 4 млрд параметров с архитектурой Qwen3VLForConditionalGeneration и интерфейсом диалоговой генерации. Репозиторий содержит веса в формате GGUF. Модель принимает текст и изображения и генерирует ответы на вопросы о визуальном содержимом. Она предназначена для визуального рассуждения, распознавания текста на изображениях, понимания пространственных отношений и анализа документов, а также для диалога с учётом текстового и визуального контекста. README указывает на запуск через LlamaPi на RK1828; метаданные также отмечают интерфейс вызова инструментов. Модель выпущена под лицензией Apache-2.0. В карточке производной модели не приведены отдельные сведения о контекстном окне и поддерживаемых языках; её возможности и языковое покрытие в значительной степени определяются базовой моделью Qwen3-VL-4B-Instruct.

Это репозиторий весов unsloth для мультимодальной модели Qwen3-VL-4B-Thinking, разработанной на основе Qwen3-VL компанией Qwen и представленной Unsloth с исправлениями шаблона чата. Модель сочетает обработку текста и изображений и предназначена для диалога, визуального анализа и рассуждений; заявлены также понимание видео, OCR и взаимодействие с инструментами. Архитектура — плотная Qwen3-VL для условной генерации, веса сохранены в safetensors и используются через Transformers. В README заявлены контекст длиной 256 тысяч токенов с возможностью расширения до миллиона, визуальное рассуждение, распознавание элементов интерфейса и разбор документов; также указана поддержка OCR на 32 языках. Модель может быть полезна для вопросов по изображениям и видео, извлечения текста из документов и визуально обусловленного диалога. Репозиторий распространяется по лицензии Apache-2.0. Заявления README о сравнительном качестве и характеристиках являются описанием разработчика; независимые результаты измерений в карточке не приведены.

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке. В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов. Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

SenOCR-Vi — модель распознавания текста и элементов документов, разработанная VietAlpha Lab на базе PaddleOCR-VL-1.6 и дообученная для вьетнамских документов. Она предназначена для OCR печатных страниц, фотографий документов, архивных материалов и учебников, а также для встраивания в конвейеры загрузки и разбора документов. Модель использует архитектуру PaddleOCR-VL с условной генерацией; в README указано около 0,959 млрд параметров, тогда как метаданные каталога приводят 318,2 млн. Контекст составляет 131 072 токена. Через Transformers доступно распознавание по элементам, а в конвейере PaddleOCR-VL — разбор страниц. Основной язык оптимизации — вьетнамский; также приведены результаты для английского и упрощённого китайского. На указанной в README выборке из 160 страниц модель получила 86,7% по распознаванию вьетнамского текста и 82,83 по составной оценке документов. Лицензия Apache 2.0 разрешает коммерческое использование, модификацию и распространение. Качество распознавания структурированных элементов ниже, чем обычного текста; сложные таблицы, формулы, плотная многоколоночная верстка и сильно повреждённые изображения остаются трудными случаями.

kazars24 выпустил русскоязычную дообученную версию TrOCR base для распознавания рукописного текста на изображениях. Модель предназначена для OCR рукописных строк и фрагментов текста на русском языке. Это encoder-decoder архитектура Vision Transformer: BEiT-инициализированный визуальный энкодер разбивает изображение на патчи 16×16, а декодер на основе Transformer авторегрессионно генерирует текст. Модель дообучена на Cyrillic Handwriting Dataset, содержащем русские рукописные фрагменты; в README указаны CER 0,048542 и validation loss 0,120961. Модель основана на microsoft/trocr-base-handwritten и распространяется в формате safetensors для библиотеки Transformers. Подходит для распознавания рукописных строк и фрагментов; качество может зависеть от разборчивости почерка и отличий изображений от обучающих данных. Сведения о лицензии в предоставленных материалах отсутствуют.

TrOCR-Ru — модель распознавания текста на изображениях, созданная дообучением microsoft/trocr-base-handwritten на синтетических наборах данных от nastyboget. Она использует архитектуру Vision Encoder-Decoder и предназначена для OCR рукописного текста, в том числе кириллицы. Модель обучалась на наборах stackmix_hkr_large, stackmix_cyrillic_large и synthetic_cyrillic_large. В карточке приведены результаты на HKR и Cyrillic: точность составляет примерно 64–72%, CER — 6,6–9,3%, WER — 21,6–33,2% в зависимости от тестового набора. Поддерживаются русский и английский языки; модель принимает изображение и выдаёт распознанный текст. Модель распространяется под лицензией Apache-2.0. Метрики показывают ошибки распознавания, поэтому результаты на реальных документах и почерках, отличающихся от обучающих данных, могут быть хуже.

qantev/trocr-small-spanish — небольшая модель распознавания текста на изображениях, разработанная Qantev на основе архитектуры TrOCR. Она дообучена на синтетическом испаноязычном наборе данных, созданном из текстов Википедии, и предназначена для чтения печатного текста. Архитектура vision encoder-decoder использует Transformer для обработки изображения и авторегрессионной генерации текстовых токенов. Модель подходит для OCR в испанских документах и изображениях с печатным текстом. Для работы с документом её нужно сочетать с моделью обнаружения текстовых областей. В карточке приведены результаты на XFUND на испанском языке, однако авторы отмечают, что разметка этого набора содержит ошибки. Модель не обучалась на рукописном тексте и может ошибаться при распознавании двух строк или вертикального текста. Репозиторий содержит веса PyTorch; лицензия — MIT.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea и представленная здесь как зеркало репозитория Werea-co. Это полнопараметрическое дообучение LightOnOCR-2-1B-base с архитектурой LightOn OCR; модель принимает изображение страницы и извлекает текст в порядке чтения, включая таблицы, с форматированием Markdown. Модель ориентирована на 12 типов документов: доверенности, страховые полисы, электронные счета, договоры аренды, банковские квитанции, документы на недвижимость, расчётные листки, регистрационные формы автомобилей, официальные письма, публикации торгового реестра и выписки SGK. Обучающая выборка содержит 12 960 синтетических страниц; README сообщает средний CER 0,15% на 72 тестовых страницах, включая цифровые документы, сканы и фотографии. Лицензия — Apache-2.0. Оценка проводилась на тестовых страницах из того же синтетического распределения, что и обучающие данные, поэтому результат может не переноситься на реальные документы. Авторы рекомендуют проверку на реальных сканах и фотографиях и контроль человеком в критически важных сценариях.

XCurOS1.2-8B-VLBF16-Instruct — мультимодальная инструктивная модель компании XCurOS для анализа изображений и текста. По метаданным, она построена на плотной архитектуре Qwen3-VL и предназначена для генерации текстовых ответов по текстовым и визуальным входам; README указывает размер 8B и формат BF16 в названии модели, а файлы представлены в safetensors и рассчитаны на работу через Transformers. Модель заявлена для понимания документов, извлечения текста из изображений и сканов, анализа диаграмм, корпоративных помощников и автоматизации агентных сценариев. Карточка также заявляет поддержку длинных контекстов и локального развёртывания, но не приводит числовой предел контекста или сравнительные результаты. Поддерживаемые языки по метаданным — английский и арабский. Лицензия указана как проприетарная, «All rights reserved»; использование и интеграции требуют разрешения XCurOS. Заявления о защищённой работе, точности, эффективности и пригодности для чувствительных данных не подкреплены в карточке техническими оценками или независимыми результатами.

arnabdhar/YOLOv8-nano-aadhar-card — дообученная модель обнаружения объектов на базе YOLOv8 nano, опубликованная пользователем arnabdhar. Она находит на изображениях карт Aadhaar области с номером Aadhaar, датой рождения, полом, именем и адресом, выдавая рамки и метки классов; обнаруженные области текста можно передать следующему этапу для распознавания или извлечения данных. Модель предназначена для автоматизации ввода данных, проверки документов и выявления подделок в сценариях обработки карт Aadhaar. Модель реализована на PyTorch и рассчитана на обработку изображений. В README указано дообучение на наборе данных из Roboflow Universe. Лицензия репозитория — Apache-2.0. Карточка не описывает OCR-распознавание содержимого внутри найденных областей, поэтому для получения текстовых значений может потребоваться отдельный распознаватель.

Youtu-VL-4B-Instruct — компактная зрительно-языковая модель Tencent Youtu Lab с плотной архитектурой на 4,8 млрд параметров, построенная на Youtu-LLM. Модель принимает изображения и текст и формирует текстовые ответы; контекст составляет до 32 768 токенов. В основе обучения лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), который использует общий мультимодальный словарь и обучает модель предсказывать визуальные и текстовые токены. Модель предназначена для вопросов и рассуждений по изображениям, распознавания текста на изображениях, анализа нескольких изображений, а также задач компьютерного зрения: обнаружения и подсчёта объектов, визуальной привязки, сегментации, оценки глубины и распознавания поз. Она также заявлена для мультимодальной математики и задач с графическим интерфейсом. Карточка отмечает конкурентные результаты на тестах, но не приводит здесь численных оценок. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия следует проверять в лицензии репозитория.

360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

amad-vlm5 — мультимодальная модель распознавания текста на арабском письме, разработанная компанией Amad Software Solutions из Ирака и дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображение и возвращает его текстовую транскрипцию; предназначена для печатных, рукописных, исторических, сканированных и синтетических материалов, включая книги, рукописи, формы, снимки экрана и заметки. Это плотная vision-language модель семейства Qwen2.5-VL с 7 млрд параметров. Для плотных страниц она может сначала выдавать блок рассуждений, а затем транскрипцию; в приложении следует извлекать текст после последнего маркера </think>. В карточке приведены результаты KITAB-Bench, однако часть изображений пересекается с обучающими данными, а две ошибки с повторяющимся текстом заметно ухудшают CER. Модель предназначена прежде всего для арабского текста; другие языки не оценивались. Лицензия — Apache-2.0.

CapRL-Qwen3VL-4B-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная на основе internlm/CapRL-Qwen3VL-4B и Qwen3-VL-4B. Модель распространяется в формате GGUF с различными вариантами квантования и предназначена для обработки изображений и текста; заявленный язык — английский. Модель ориентирована прежде всего на генерацию подробных подписей к изображениям, визуальные вопросы и ответы, извлечение текста, а также анализ диаграмм, инфографики, документов и естественных изображений. По данным карточки, она обучалась с использованием двухэтапного Reinforcement Learning with Verifiable Rewards (RLVR) с оценкой качества подписей через vision-only LLM на тщательно отфильтрованном наборе разнообразных изображений. Заявлены широкий охват визуальной информации, структурированные ответы и сниженная склонность к галлюцинациям; возможна интеграция через vLLM OpenAI-compatible API с передачей изображений в формате base64. Сильными сторонами являются сочетание компактного размера, мультимодального понимания и поддержки большого числа уровней квантования, что позволяет выбирать баланс между качеством, скоростью и потреблением памяти. Ограничения включают заявленную ориентацию на английский язык, отсутствие в предоставленных данных точного размера контекстного окна и подробных результатов бенчмарков, а также потенциальные потери качества в сильно квантованных вариантах. Модель распространяется по лицензии Apache-2.0.

Chitrapathak-2 — мультимодальная OCR-модель от Krutrim AI Labs для распознавания печатного текста в документах на индийских языках и английском. Это дообученная версия Nanonets-OCR2-3B с архитектурой Qwen2.5-VL: визуальный энкодер обрабатывает изображение, а декодер на 3,1 млрд параметров формирует текст. Модель доступна через Transformers и vLLM, поддерживает контекст до 128 000 токенов. Модель предназначена для извлечения текста со страниц книг, PDF и сканов. Она рассчитана на хинди, санскрит, бенгальский, телугу, тамильский, маратхи, каннада, малаялам, одия, панджаби и английский; особенно сильные результаты заявлены для телугу. Модель сохраняет структуру многоколоночных страниц и плотных абзацев, но её назначение ограничено OCR: она возвращает транскрипцию и не предназначена для более широкого анализа документов. Качество может снижаться на рукописном, зашумлённом или низкокачественном изображении, редких письменностях, формах и сложных страницах указателей. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой модели.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.