I.4Обработка документов и форм

Карточка модели Hitelcy/Sarvix_handwriting_AI на Hugging Face совпадает с карточкой microsoft/trocr-base-handwritten, поэтому описание составлено по ней. TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

Tesseract LSTM OCR — GGUF — это набор моделей распознавания текста по отдельным строкам, созданный на основе языковых данных проекта tesseract-ocr/tessdata и преобразованный в формат GGUF для CrispEmbed. Репозиторий содержит варианты для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, русского, арабского, упрощённого китайского, японского и корейского языков. Модель предназначена для OCR отдельных текстовых строк: изображение строки следует нормализовать и обрезать перед распознаванием. Для полно页ного OCR её можно объединять с детектором текста, например DBNet. Runtime выполняет нормализацию высоты и жадное CTC-декодирование, однако расстановку пробелов между словами и порядок чтения на странице должна обеспечивать внешняя OCR-система. В граф GGUF не входят языковые модели Tesseract DAWG. Для каждого языка доступны варианты F32, F16, Q8_0 и Q4_K: F32 служит эталоном, F16 предназначен для высокоточного развёртывания, Q8_0 рекомендован как компактный вариант, а Q4_K обеспечивает минимальный размер и требует проверки на целевом корпусе. Квантизуются только рекуррентные матрицы, тогда как выходные веса и смещения сохраняются в исходной точности, что помогает сохранить стабильность CTC-решений. Это конвертация и/или квантизация без дополнительного обучения, дообучения или изменения архитектуры и словаря. Лицензия Apache-2.0; при распространении производных необходимо сохранять атрибуцию upstream и исходную контрольную сумму.

qantev/trocr-base-spanish — модель оптического распознавания текста (OCR), разработанная Qantev на основе архитектуры TrOCR и дообученная на самостоятельно созданном испанском наборе данных. Она использует Transformer-энкодер изображений, который извлекает признаки из фрагментов изображения, и авторегрессионный Transformer-декодер, генерирующий текстовые токены. Модель предназначена для чтения печатного испанского текста на изображениях. Для обработки документов её нужно использовать вместе с моделью обнаружения текста. В тесте на испанском XFUND авторы сообщают CER 0,0732 и WER 0,2028, отмечая, что в наборе есть ошибки разметки. По карточке, модель хуже работает с рукописным текстом, двумя строками и вертикальным текстом. Лицензия — MIT.

Модель harisali9211/trocr-large-printed-e13b_tesseract_MICR_ocr_with_character — дообученная версия microsoft/trocr-large-printed для распознавания текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для сценариев OCR; название указывает на обработку печатных символов и MICR, однако README не раскрывает подробностей датасета и целевых форматов документов. В оценке на неизвестном наборе данных указаны Loss 0,1742 и CER 0,0032. Модель принимает изображение и выдаёт текст. Она основана на крупной TrOCR-модели, предназначенной для распознавания печатного текста на изображениях строк. Карточка не сообщает о поддерживаемых языках или ограничениях применения. Лицензия в предоставленных данных не указана.

syubraj/TrOCR_Nepali — модель оптического распознавания символов на основе архитектуры VisionEncoderDecoder и семейства TrOCR. Она дообучена для чтения текста на непальском языке, записанного письмом деванагари, и преобразует изображения с текстом в текстовую последовательность. Для обработки изображений используется TrOCRProcessor с извлекателем признаков ViT и токенизатором; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель подходит для распознавания непальского текста на изображениях, например на сканах и фотографиях документов. В карточке не приведены сведения о точности, допустимом качестве изображений или лицензии, поэтому их нельзя оценить по доступным данным.

cyttic/trocr-webfonts8-BY — дообученная модель cyttic/exp2-frozen-benyehuda-cont для преобразования изображений с текстом в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания текста на изображениях; карточка сообщает о дообучении на наборе данных, который не описан. В оценке указаны Loss 0,6037, CER 0,0307 и WER 0,0885. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

ufal/vit-historical-page — модель компьютерного зрения, разработанная UFAL для сортировки изображений страниц архивных документов по категориям перед последующей обработкой содержимого. Она основана на Vision Transformer Google и обучена на размеченных изображениях архивных страниц; в репозитории представлены варианты на нескольких базовых моделях ViT. Модель классифицирует страницы, включая рисунки и схемы, рукописные записи в таблицах и другие типы страниц; поддерживает вывод наиболее вероятных категорий и сводных результатов в табличном виде. Для актуальной версии vX.3 README указывает 38 625 обучающих и 4 823 оценочных изображений. Для варианта ViT base с разрешением 224 пикселя указано 87 млн параметров; доступны также варианты с другими размерами и разрешениями. Данные охватывают архивные документы 1920–2020 годов. Модель принимает изображения и выдаёт метки классов с оценками вероятности. Лицензия модели — MIT. Качество зависит от представительности категорий и разметки: README отмечает дисбаланс классов и наличие более ранних версий с ошибками аннотации. Указанные высокие метрики относятся к конкретным наборам и разбиениям данных и не гарантируют аналогичных результатов на иных коллекциях архивов.

DeepSeek-VL-Hybrid — мультимодальная модель для понимания изображений и текста, разработанная командой DeepSeek AI. Она принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. В архитектуре используется языковая модель на основе LLaMA, SigLIP для обработки изображений низкого разрешения и SAM для изображений высокого разрешения. Модель рассчитана на практические визуально-языковые сценарии, включая анализ скриншотов, PDF, OCR, диаграмм и содержимого, требующего визуальных деталей; заявлена обработка изображений размером до 1024 × 1024 пикселей. В карточке указана версия 7B, однако конкретное число параметров этой копии не приведено. Модель подходит для вопросов об изображениях, извлечения и объяснения визуальной информации, а также работы с документами и графиками. Она требует вычислительных ресурсов для мультимодальной модели и может ошибаться в распознавании мелких деталей или содержимого изображения. Указана лицензия DeepSeek; метаданные Hugging Face классифицируют её как other, поэтому точные условия следует сверить с текстом лицензии репозитория.

DewarpNet-LiteRT — это модель для выравнивания фотографий изогнутых или сложенных документов, подготовленная сообществом litert-community на основе DewarpNet. Она предназначена для локальной обработки на устройствах и интеграции в приложения-сканеры: два сверточных компонента WCNet и BMNet предсказывают сетку обратного отображения, по которой исходное изображение можно преобразовать в плоскую страницу. Модель распространяется в формате TFLite и рассчитана на запуск через LiteRT. Вход — изображение размером 256×256 в формате BGR, нормализованное делением на 255; выход — сетка обратного отображения размером 128×128, а финальное преобразование изображения выполняется на стороне приложения. В README приведены замеры производительности на Android GPU и NPU, а также на Raspberry Pi 5 и в браузере; скорость зависит от устройства и выбранного вычислительного бэкенда. Для использования нужно интегрировать модель в приложение и выполнить постобработку сетки: сгладить её, масштабировать до исходного размера и применить к изображению. Модель лицензирована по MIT. Карточка описывает конверсию исходного DewarpNet для LiteRT; отдельная адаптация весов не заявлена.

Microsoft DiT base — модель классификации изображений документов на архитектуре трансформера-энкодера BEiT. Она предварительно обучена на 42 миллионах изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тысячах изображений в градациях серого, размеченных по 16 классам. В модели около 119,5 млн параметров. Модель предназначена для отнесения изображения документа к классу, а также может использоваться для извлечения векторных признаков документов и дообучения для задач анализа макета или обнаружения таблиц. Изображение разбивается на патчи 16×16, которые обрабатывает трансформер-энкодер. Карточка не указывает лицензию; условия использования следует проверить в репозитории модели.

Карточка модели NVEagle/Eagle-X5-7B на Hugging Face совпадает с карточкой NVEagle/Eagle-X5-13B-Chat, поэтому описание составлено по ней. Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

en_PP-OCRv3_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv3_rec, разработанная командой PaddleOCR. Она обучена на основе PP-OCRv3_mobile_rec и предназначена для распознавания английского текста на изображениях. Модель преобразует изображение отдельной текстовой строки в текст. В составе конвейера PP-OCRv3 её можно использовать вместе с обнаружением текста и дополнительными модулями коррекции ориентации и геометрии изображения, чтобы извлекать текст из документов и других изображений. README приводит оценку качества распознавания строк, при которой строка считается ошибочной, если неверен хотя бы один символ или знак пунктуации. Для работы используется библиотека PaddleOCR; лицензия репозитория — Apache-2.0. Модель ориентирована на английский текст, поэтому её не следует считать универсальным многоязычным распознавателем; распознавание строк также предполагает, что области текста уже выделены или обрабатываются отдельной моделью конвейера.

EXAONE-4.5-33B-FP8 — открытая мультимодальная vision-language модель, разработанная LG AI Research. Она предназначена для обработки текста и изображений, включая визуальные вопросы и ответы, анализ документов, контекстное рассуждение и общие задачи понимания мультимодального контента. Модель может применяться в ассистентах, системах работы с документами и исследовательских приложениях. Модель имеет плотную архитектуру causal language model с выделенным vision encoder: 31,7 млрд параметров приходится на языковую часть и 1,29 млрд — на визуальный энкодер, всего около 33 млрд параметров. Используются hybrid attention со sliding window размером 4096 токенов и global attention, Grouped Query Attention, 2D RoPE для визуальных представлений и контекст до 262 144 токенов. Модель поддерживает английский, корейский, испанский, немецкий, японский и вьетнамский языки. Знания ограничены декабрём 2024 года, а веса представлены в FP8-квантизации. Сильными сторонами заявлены конкурентоспособные результаты на общих мультимодальных бенчмарках, понимание документов и рассуждение с учётом корейского контекста; при этом показатели зависят от задачи, а FP8-квантизация и размер модели предъявляют повышенные требования к вычислительным ресурсам. Модель лицензирована по условиям EXAONE; точные ограничения следует уточнять в файле LICENSE.

Мультимодальная модель Gemma 4 E2B IT, дообученная filipwx на базе unsloth/gemma-4-E2B-it и опубликованная в виде шардированных весов для удобной загрузки. Она предназначена для диалогов и задач image-text-to-text, включая анализ изображений и документов. Архитектура — плотная Gemma4ForConditionalGeneration; репозиторий содержит веса safetensors, разбитые на шарды примерно по 2 ГБ. README описывает запуск с 4-битной квантизацией bitsandbytes и прямым размещением модели на GPU, однако это параметры загрузки, а не отдельное заявленное свойство весов репозитория. Модель ориентирована на работу с изображениями и текстом; базовая модель также поддерживает диалоги и интерфейс вызова инструментов. Карточка приводит английский язык. Лицензия — Apache-2.0. Указанные в README ограничения и рекомендации по размещению на GPU относятся к конкретной конфигурации загрузки и оборудованию; её применимость зависит от доступной памяти и окружения.

Isaac-0.2-1B — компактная гибридная модель PerceptronAI для обработки изображений и диалога. В репозитории указано 507,9 млн параметров; архитектура — плотная IsaacForConditionalGeneration, формат весов — safetensors, контекст — до 40 960 токенов. Модель принимает изображения и текстовые запросы и отвечает текстом. Модель предназначена для визуального рассуждения и восприятия: распознавания текста на документах, схемах и экранах, привязки объектов к областям изображения, понимания интерфейсов и навигации по ним. Она поддерживает структурированные ответы, вызов инструментов и режим Focus для увеличения и повторного анализа выбранной области; README также описывает краткие рассуждения для многошаговых и пространственных задач. Указаны сценарии робототехники, поиска по медиаматериалам и промышленного контроля. Модель ориентирована на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение. Компактный размер рассчитан на работу на обычных GPU и периферийных устройствах, однако README не приводит независимых результатов бенчмарков, поэтому заявления о точности следует проверять на целевых данных.

Netra-OCR — модель распознавания текста в строках, разработанная Darayut. Она принимает изображение одной строки и возвращает распознанный текст на кхмерском или английском языке. В репозитории есть актуальная версия с декодированием графемных кластеров и более ранняя символьная версия для совместимости; модель рассчитана на использование через Transformers и пакет netra-ocr. Модель содержит 17 млн параметров и обучена с нуля на 1,3 млн синтетических изображений строк. Архитектура объединяет сверточную сеть Squeeze-and-Excitation, Transformer-энкодер и Transformer-декодер; длинные строки разбиваются на перекрывающиеся фрагменты. Кластерное декодирование сокращает последовательности кхмерского текста примерно на 43%, а отдельная блоково-параллельная версия ускоряет декодирование примерно в 1,55 раза при том же результате. Модель предназначена для печатного текста. Она распознаёт только отдельные строки, поэтому для обработки страниц требуется предварительное обнаружение строк; пакет netra-ocr добавляет инструменты для анализа страниц и документов. Рукописный текст не входил в обучение. Лицензия — MIT.

Kosmos-2.5-chat — мультимодальная модель Microsoft для визуальных вопросов и ответов по изображениям с текстом. Она дообучена на основе Kosmos-2.5 и использует авторегрессионный Transformer с декодером, принимающий изображение и текстовый запрос и генерирующий текстовый ответ. Модель предназначена для визуального анализа документов и других изображений с большим объёмом текста. Исходное семейство Kosmos-2.5 также распознаёт текст с пространственными координатами и преобразует структуру и оформление документов в Markdown; карточка этой версии отдельно указывает обучение для задач VQA. Модель доступна в формате Safetensors и используется через Transformers версии 4.56 или новее. Поддерживаемый язык карточки — английский. Модель может ошибаться и галлюцинировать, поэтому результаты распознавания и ответы по содержимому изображения требуют проверки. Лицензия — MIT.

andreagemelli/LFM2.5-350M-IT-Extract — дообученная Андреа Джемелли плотная причинная языковая модель семейства LFM2, основанная на LiquidAI/LFM2.5-350M. Она предназначена для извлечения ключевой информации из изображений итальянских форм и документов с выдачей результата в формате JSON. Для дообучения использован итальянский вариант набора XFUND, а модель работает через библиотеку Transformers. В проверке на валидационной выборке xfund-kie модель показала средний F1 0,5311; в 10 из 50 случаев JSON не удалось разобрать. Метаданные указывают контекст до 128 000 токенов, однако карточка не уточняет, как именно обрабатываются изображения и как сформирован входной запрос. Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. Она сочетает визуальный энкодер SigLIP-400M с языковой моделью Qwen2-7B и содержит 8 млрд параметров. Модель отвечает на вопросы по визуальному содержимому, сравнивает изображения, распознаёт текст и создаёт подробные описания видео с учётом пространственно-временной информации. Поддерживаются изображения с произвольным соотношением сторон размером до 1,8 млн пикселей; заявлены многоязычные возможности, включая английский, китайский, немецкий, французский, итальянский и корейский. Модель рассчитана на запуск через Transformers, а также на локальный инференс с llama.cpp и Ollama; README отмечает её эффективность при обработке изображений и видео. Заявлены сильные результаты на тестах понимания изображений, OCR и видео, однако приведённые сравнения основаны на оценках разработчиков и не гарантируют аналогичного качества в конкретных сценариях. Модель может ошибаться и галлюцинировать. Лицензия в предоставленных данных не указана.

openbmb/MiniCPM-V-4.6-Thinking-BNB — это 4-битная NF4-квантизованная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанная командой OpenBMB. Модель предназначена для эффективного понимания изображений и видео, включая сложные мультимодальные рассуждения, математические задачи и распознавание текста на изображениях с высокой нагрузкой на OCR. Она ориентирована в том числе на запуск на конечных устройствах и мобильных платформах: iOS, Android и HarmonyOS. Архитектура включает визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Вариант Thinking формирует явную цепочку рассуждений перед итоговым ответом, что повышает качество на сложных задачах. Поддерживаются изображения и видео, работа через Transformers, обработка нескольких изображений и использование Flash Attention 2 для ускорения и снижения потребления памяти. Точный размер контекстного окна и список поддерживаемых языков в предоставленных данных не указаны. К сильным сторонам относятся компактность, низкие требования к памяти благодаря 4-битной квантизации, пригодность для edge-сценариев и способность выполнять сложный визуальный анализ. Ограничения включают зависимость от совместимости программного окружения и видеодекодера с версией CUDA, а также потенциальные компромиссы в точности из-за квантизации; количественные результаты оценки в README не приведены. Модель распространяется по лицензии Apache-2.0.

openbmb/MiniCPM-V-4.6-Thinking-gguf — GGUF-квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной OpenBMB. Модель предназначена для эффективного понимания изображений и видео, включая сложное мультимодальное рассуждение, математические задачи и распознавание текста на изображениях (OCR). Она ориентирована на локальное использование, в том числе на мобильных устройствах и периферийных платформах iOS, Android и HarmonyOS. Модель использует архитектуру с визуальным энкодером SigLIP2-400M и языковой моделью Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Thinking-вариант формирует явную цепочку рассуждений перед финальным ответом, что повышает качество на сложных задачах, но может увеличивать задержку и расход вычислительных ресурсов. Поддерживаются текстовые запросы совместно с изображениями и видео; сведения о полном перечне языков и размере контекста в карточке не указаны. К сильным сторонам относятся компактность, ориентация на устройства с ограниченными ресурсами, поддержка изображений и видео и улучшенное рассуждение на визуально сложных задачах. Ограничения включают зависимость производительности от используемого GGUF-квантизированного варианта и аппаратной конфигурации, а также возможные проблемы совместимости видеодекодера torchcodec с отдельными версиями CUDA. Репозиторий распространяется по лицензии Apache-2.0.

Monkey — мультимодальная языковая модель, разработанная исследователями Huazhong University of Science and Technology совместно с Kingsoft. Модель содержит 11,4 млрд параметров и принимает изображения с разрешением до 896 × 1344 пикселей, чтобы отвечать на вопросы о визуальных сценах, распознавать мелкие детали и читать плотный текст в документах. Monkey предназначена для описания изображений, визуальных вопросов и ответов, включая задачи с текстом на изображении и документами. Авторы сообщают об оценке на 16 наборах данных и выделяют способность учитывать контекстные связи между объектами и текстовой информацией. Репозиторий содержит веса PyTorch; в метаданных указан контекст 8192 токена. Языки не установлены по предоставленным данным. Лицензия в данных не указана.

Moondream2-streaming — компактная плотная визуально-языковая модель семейства Moondream, опубликованная ThomasSimonini. Она предназначена для эффективного запуска на периферийных устройствах и отвечает на текстовые вопросы по изображениям, в том числе помогает читать документы и считать объекты. В карточке приведены результаты на VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE; репозиторий содержит варианты safetensors и GGUF F16. Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Для использования указан стек Transformers и einops. Версия модели обновляется, поэтому для воспроизводимости README рекомендует закреплять конкретный релиз. Лицензия — Apache-2.0.

Wismut разработала nym-pii-multilingual — многоязычную модель распознавания персональных и других чувствительных данных для обезличивания текста в nym. Это дообученная на jhu-clsp/mmBERT-base модель с архитектурой ModernBERT, примерно 307 млн параметров и контекстом до 8192 токенов. Она размечает токены 40 типами сущностей с использованием 81 BIO-метки: среди них имена, даты рождения, контакты, адреса, государственные, медицинские и финансовые идентификаторы, номера карт, IBAN, API-ключи и пароли. Модель рассчитана на обработку текста примерно на 23 языках, включая русский, английский, немецкий, французский, китайский, японский, корейский, арабский и хинди. Обучение включало синтетические данные и примеры из реальных текстов с автоматической разметкой; также применялась самодистилляция. Модель обучали распознавать искажённый OCR-текст и содержимое структурированных документов, таких как таблицы, JSON и CSV. Доступны веса Safetensors и ONNX; для ONNX также есть уменьшенный вариант int8, который, по результатам описанных авторами тестов, сохраняет качество близким к полной версии. Модель подходит для обнаружения чувствительных данных перед редактированием или заменой в документах и текстовых потоках. Слабее распознаются идентификаторы, похожие на номера заявок или дел; авторы рекомендуют сочетать модель с регулярными выражениями nym. Качество зависит от типа текста и языка, а автоматически размеченные обучающие примеры могут содержать ошибки. MIT-лицензия; сама модель не гарантирует соответствие требованиям HIPAA или GDPR.

elprofessor67 дообучил мультимодальную модель Qwen3-VL-32B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3-VL на 32 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и интерфейс вызова инструментов. Её можно применять для вопросов по изображениям, распознавания текста на изображениях и анализа визуальных материалов. В метаданных указан английский язык карточки модели, но специальных данных о языковой специализации дообучения нет. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные обучающие данные, результаты оценки качества или ограничения дообученной версии; возможности и качество отдельных задач поэтому следует проверять на целевых данных.

Palmyra Vision — мультимодальная модель компании Writer для диалога о визуальных данных. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ: подходит для вопросов об изображениях, диаграммах, документах, инфографике и визуальных задачах на рассуждение. В README указано обучение на наборе PixMo из 1 млн пар изображение—текст; архитектура — плотная MolmoForCausalLM, размер по метаданным — 12,8 млрд параметров, контекст — 4096 токенов. Модель объединяет компоненты, связанные с Writer/Palmyra-Large и openai/clip-vit-large-patch14-336. Для обслуживания рекомендован vLLM; также описан запуск через Transformers. В README приведены результаты на 11 академических тестах, включая ChartQA, DocQA, TextVQA и MathVista. Указано, что модель может испытывать трудности с прозрачными изображениями; для входных изображений может потребоваться формат RGB, а прозрачность рекомендуется предварительно заменить фоном. Метаданные указывают английский язык. Условия лицензии в предоставленных данных не приведены.

PolizzeDonut-SoloPDF-5Epochs — модель преобразования изображений документов в текст, созданная дообучением naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для обработки изображений документов; метаданные классифицируют её задачу как image-text-to-text. На оценочном наборе указана потеря 0,3264. Модель распространяется в формате safetensors по лицензии MIT. Карточка не раскрывает целевую структуру извлечения, состав обучающих данных или подробные ограничения, поэтому качество на конкретных типах полисов и PDF-сценариях по этим сведениям оценить нельзя.

PP-LCNet_x1_0_table_cls — модель классификации изображений таблиц из экосистемы PaddleOCR, разработанная PaddlePaddle. Она принимает изображение таблицы и относит его к одной из заданных категорий, например к таблицам с линиями или без них; результат используется как компонент конвейеров распознавания таблиц и документов. Модель предназначена для визуальной классификации таблиц в документах. В более крупном конвейере PaddleOCR результаты классификации помогают выбрать дальнейшую обработку, включая распознавание структуры и ячеек таблицы и извлечение её содержимого в HTML или Excel. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0.

Карточка модели tomsanbear/pp-ocrv5-mobile-det на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_det_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

PP-OCRv6_tiny_det_onnx — модель обнаружения текстовых строк на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для OCR-конвейеров: выделения областей и строк с текстом на изображениях перед последующим распознаванием, включая обработку документов и других изображений с печатным текстом. Модель поставляется в формате ONNX и ориентирована на компактное и эффективное развертывание. В README модель обозначена как tiny-вариант PP-OCRv6 с архитектурой для textline detection; точный размер и число параметров, максимальный контекст, поддерживаемые разрешения и детальные характеристики производительности не указаны. В метаданных заявлены английский и китайский языки, а основная модальность — изображение. Модель подходит для сценариев, где важны скорость и небольшие вычислительные затраты, однако качество обнаружения может зависеть от качества изображения, масштаба, фона и ориентации текста; сама модель отвечает за обнаружение, а не за полное распознавание содержимого. Лицензия — Apache 2.0.