I.4Обработка документов и форм

Med Doc Classifier — компактная модель классификации медицинских документов, разработанная Eka Care. Это encoder-only модель примерно на 96 млн параметров на основе визуального backbone SigLIP2-base. За один проход она относит изображение к одному из 27 классов в двухуровневой иерархии: от широкой группы до конкретного типа документа; также определяет, относится ли содержание к медицине и является ли документ рукописным. Модель предназначена для автоматической сортировки и предварительной разметки изображений медицинских документов. По внутреннему тесту на 16 204 изображениях точность классификации 27 классов составила 96,45%, а Macro-F1 — 0,965 для bf16; для int8 показатели практически не меняются, а int4 снижает точность примерно на один процентный пункт. Поддерживаются форматы safetensors и загрузка через Transformers с `trust_remote_code=True`. Модель создана дистилляцией ансамбля специализированных моделей в компактную student-модель. Репозиторий распространяется по лицензии Apache-2.0. Классификатор рассчитан на медицинские документы; точность на других типах изображений в карточке не подтверждена.

MiniCPM-V-2_6-GGUF — набор GGUF-квантизованных версий мультимодальной модели MiniCPM-V-2_6, разработанной командой OpenBMB и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для задач image-text-to-text, включая анализ изображений, OCR, работу с несколькими изображениями и видео. Заявлена поддержка мультиязычных сценариев, однако конкретный перечень языков в представленном README не указан. Модели используют llama.cpp и квантизацию с применением imatrix; по заявлению автора, это должно улучшать работу текстовой части модели. Доступны варианты от F16 размером 15,23 ГБ до низкобитных IQ2_M и Q2_K размером около 2,78–3,01 ГБ. Варианты Q6_K и Q6_K_L обеспечивают очень высокое качество, а Q4_K_M рекомендуется как компромисс между качеством и размером. Варианты с суффиксом L используют Q8_0 для embedding- и output-весов, что потенциально может повысить качество, но автор отмечает, что эффект зависит от практического использования. Модель подходит для локального запуска через llama.cpp и LM Studio при наличии совместимого оборудования; требуемые ресурсы зависят от выбранного варианта квантизации. README не содержит сведений о размере базовой модели в параметрах, длине контекста, точной архитектуре, ограничениях мультимодальных входов или результатах бенчмарков. Лицензия в представленном описании не указана.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для понимания изображений и видео. Представленная версия — GGUF-квантизация, подготовленная bartowski на основе llama.cpp, предназначенная для локального запуска, в частности через LM Studio версии 0.3.0 и выше. Модель сочетает визуальный компонент SigLip-400M и языковую модель Qwen2-7B, всего около 8 миллиардов параметров. Она поддерживает мультиязычные сценарии, обработку одного и нескольких изображений, диалоговое рассуждение по изображениям и анализ видео. Модель принимает изображения с произвольным соотношением сторон и разрешением до 1,8 млн пикселей, например 1344×1344, а также ориентирована на задачи OCR. Сильными сторонами заявлены улучшенное качество по сравнению с MiniCPM-Llama3-V 2.5, понимание нескольких изображений, работа с видео и высокое качество распознавания текста. README также заявляет превосходство в понимании одиночных изображений над рядом популярных моделей, однако эти результаты приведены без подробностей о методике оценки. Ограничения включают возможную неточность или неподходящее содержание ответов, характерные для генеративных моделей. Лицензия в README не указана.

openbmb/MiniCPM-V-4.6-Thinking-GPTQ — GPTQ-квантизированная версия мультимодальной модели MiniCPM-V 4.6 Thinking, разработанной командой OpenBMB. Модель предназначена для понимания изображений и видео, включая сложные мультимодальные рассуждения, математические задачи и сценарии с интенсивным использованием OCR. Она генерирует явную цепочку рассуждений перед итоговым ответом. Модель использует архитектуру, ориентированную на эффективную работу на периферийных устройствах: визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B, а также смешанное сжатие визуальных токенов 4x/16x. Данная версия имеет квантизацию GPTQ W4A16 и рассчитана на использование через Transformers. Поддерживаются входы в виде изображений и видео; заявлена возможность развертывания на iOS, Android и HarmonyOS. Сведения о поддерживаемых языках и размере контекстного окна в карточке не указаны. К сильным сторонам относятся низкие требования к ресурсам, пригодность для мобильных и edge-сценариев, обработка изображений и видео, а также улучшенное качество на сложных задачах благодаря режиму рассуждений. Ограничения связаны с тем, что это квантизированная версия базовой модели и что подробные результаты бенчмарков, поддерживаемые языки и контекст не приведены. Модель распространяется по лицензии Apache-2.0.

heretic-org/MiniCPM-V-4.6-Thinking-heretic — производная модель на основе openbmb/MiniCPM-V-4.6-Thinking, изменённая методом abliteration для снижения числа отказов. По карточке, в указанной проверке она отказала в 14 случаях из 416 против 314 у исходной модели. Базовая модель предназначена для диалога и рассуждений по изображениям и видео, включая распознавание текста на изображениях и визуальные математические задачи. Модель принимает текст и изображения, а также поддерживает видео по описанию базовой модели. Архитектура MiniCPM-V 4.6 Thinking сочетает визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B; она формирует цепочку рассуждений перед итоговым ответом и использует сжатие визуальных токенов 4x/16x. Репозиторий содержит веса safetensors и заявляет возможности диалога, работы с изображениями и интерфейс вызова инструментов. Модель подходит для вопросов по изображениям и видео, OCR и мультимодальных рассуждений, в том числе локального запуска на мобильных устройствах. Снижение числа отказов может привести к выдаче нежелательного или небезопасного содержания; результаты проверки отказов не гарантируют качества во всех задачах. Лицензия — Apache-2.0.

Карточка модели sonic-coder/MiniCPM-V-4.6-Thinking-heretic на Hugging Face совпадает с карточкой heretic-org/MiniCPM-V-4.6-Thinking-heretic, поэтому описание составлено по ней. heretic-org/MiniCPM-V-4.6-Thinking-heretic — производная модель на основе openbmb/MiniCPM-V-4.6-Thinking, изменённая методом abliteration для снижения числа отказов. По карточке, в указанной проверке она отказала в 14 случаях из 416 против 314 у исходной модели. Базовая модель предназначена для диалога и рассуждений по изображениям и видео, включая распознавание текста на изображениях и визуальные математические задачи. Модель принимает текст и изображения, а также поддерживает видео по описанию базовой модели. Архитектура MiniCPM-V 4.6 Thinking сочетает визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B; она формирует цепочку рассуждений перед итоговым ответом и использует сжатие визуальных токенов 4x/16x. Репозиторий содержит веса safetensors и заявляет возможности диалога, работы с изображениями и интерфейс вызова инструментов. Модель подходит для вопросов по изображениям и видео, OCR и мультимодальных рассуждений, в том числе локального запуска на мобильных устройствах. Снижение числа отказов может привести к выдаче нежелательного или небезопасного содержания; результаты проверки отказов не гарантируют качества во всех задачах. Лицензия — Apache-2.0.

MolmoE-1B-0924 — открытая мультимодальная модель семейства Molmo, разработанная Allen Institute for AI. Это предварительная версия модели для анализа изображений и генерации ответов на текстовые запросы о них. Модель построена как Mixture-of-Experts на базе OLMoE-1B-7B-0924 и объединяет языковую модель с визуальной составляющей. В ней 1,5 млрд активных и 7,2 млрд общих параметров; контекст — до 32 768 токенов. Модель обучалась на тщательно отобранных парах изображений и текстов PixMo и предназначена для визуальных вопросов и ответов, понимания диаграмм, документов и изображений. README заявляет высокие результаты на академических тестах и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительный чекпойнт: сопутствующие артефакты обучения, код и оценки планировалось опубликовать позднее. Модель может испытывать трудности с прозрачными изображениями; рекомендуется предварительно добавлять белый или тёмный фон. Лицензия — Apache-2.0.

OpenMed публикует вариант North Micro Vision Instruct в формате MLX bf16 для локального мультимодального вывода на устройствах Apple Silicon. Это конверсия компактной модели Cohere Compass с 2,4 млрд параметров, разработанной Cohere и обученной понимать изображения вместе с текстовыми запросами. Репозиторий содержит веса safetensors и предназначен для использования с локальными Python- и Swift-рантаймами OpenMed и OpenMedKit; лицензия весов — Apache 2.0. Модель принимает текст и изображения и формирует текстовые ответы. Она подходит для визуальных вопросов и ответов, OCR, извлечения сведений из клинических документов и графиков, описания изображений и работы с несколькими изображениями. Поддерживаются английский, немецкий, французский, испанский, итальянский, португальский, хинди, японский, корейский, китайский и арабский языки. Исходная модель обучалась и проверялась для мультимодальных последовательностей до 8 тысяч токенов. Вариант bf16 сохраняет исходную точность весов; заявленные для других вариантов MLX схемы квантования к нему не относятся. Локальный запуск после загрузки артефакта помогает не отправлять изображения в облако, однако ответы могут быть неполными, ошибочными или вымышленными. Модель не предназначена для диагностики и лечения, не поддерживает вызов инструментов и слаба в математике и программировании; клинические результаты требуют проверки специалистом.

PaddlePaddle/PP-OCRv6_medium_det_onnx — модель обнаружения текстовых строк из семейства PP-OCRv6, разработанная PaddlePaddle для библиотеки PaddleOCR. Она предназначена для OCR-сценариев, в которых требуется находить области текста на изображениях перед последующим распознаванием символов, например при обработке документов, фотографий, скриншотов и других изображений с текстом. Модель поставляется в формате ONNX и относится к задачам image-to-text и text line detection. В карточке указано, что модель связана с языками английским и китайским, однако подробные сведения об архитектуре, точном количестве параметров, размере входных данных, длине контекста и поддерживаемых типах изображений не приведены. К сильным сторонам относятся специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимой инфраструктуре; характеристики точности, производительности и ограничения README не уточняет. Модель распространяется по лицензии Apache 2.0.

RedHatAI/Qwen2.5-VL-3B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, подготовленная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; заявленный язык — английский. Релиз модели датирован 24 февраля 2025 года. Модель предназначена для задач визуального вопросно-ответного взаимодействия, анализа документов и диаграмм, распознавания содержимого изображений и решения мультимодальных задач. Она имеет архитектуру Qwen2.5-VL-3B-Instruct и около 3 миллиардов параметров, использует FP8-квантизацию весов и активаций и оптимизирована для инференса с vLLM версии 0.5.2 и новее. В примере развертывания используется контекст до 4096 токенов, однако это значение относится к конфигурации запуска, а не обязательно к предельной длине контекста модели. К сильным сторонам относятся снижение требований к памяти и эффективное выполнение инференса при сохранении качества, близкого к исходной модели: в приведённых тестах средний результат FP8-версии составил 69,67 против 69,28 у исходной модели. Оценивались задачи MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимого стека vLLM и FP8-инфраструктуры, а также отсутствие в README подробных сведений о поддерживаемых языках помимо английского и о максимальном контексте. Модель распространяется по лицензии Apache 2.0.

RohitUltimate выпустил эту мультимодальную модель на основе Qwen3.5-2B для задач «изображение и текст → текст». Она предназначена для следования инструкциям, понимания изображений и извлечения данных из банковских выписок. В README заявлена длина контекста 12 000 токенов; модель рассчитана на экономичное GPU-развёртывание, при этом автор указывает, что её размер составляет менее 5 ГБ и для работы достаточно видеокарты с менее чем 8 ГБ VRAM. Модель использует плотную архитектуру Qwen3.5 для генерации текста по текстовому и визуальному вводу и распространяется в формате safetensors. README описывает её как дообученную версию, однако метаданные указывают на слияние моделей; происхождение базируется на Qwen/Qwen3.5-2B, Qwen/Qwen3.5-2B-Base и unsloth/Qwen3.5-2B, поэтому точный способ получения из этих сведений неясен. Лицензия — MIT. Языковые сведения ограничены английским языком в метаданных.

noctrex публикует GGUF-версии модели Qwen3-VL-30B-A3B-Instruct — мультимодальной модели Qwen с архитектурой Vision-Language для диалогового анализа изображений и видео. Это вариант с контекстом до 1 млн токенов, к которому применена imatrix; файлы доступны в форматах GGUF BF16, F16 и F32. Для запуска автор рекомендует использовать актуальную версию llama.cpp. Модель предназначена для диалогов по изображениям и видео, визуальных вопросов и ответов, OCR и пространственных рассуждений. Она принимает текст и изображения и выдаёт текст; метаданные также указывают поддержку vision и chat. Языковые характеристики в предоставленных данных не описаны. Это квантизированное представление базовой Qwen3-VL-30B-A3B-Instruct, поэтому для точного применения следует учитывать свойства исходной модели и выбранного файла GGUF. Лицензия в доступных данных не указана.

Qwen3-VL-8B-Instruct-abliterated-v1-GGUF — мультимодальная модель для преобразования изображений и текста в текст, разработанная prithivMLmods на основе Qwen3-VL-8B-Instruct от Alibaba. Это GGUF-сборка 8-миллиардной vision-language модели, предназначенная для локального запуска с использованием llama.cpp и совместимых инструментов. Модель ориентирована на описание изображений, визуальное рассуждение, выполнение инструкций, анализ сложного визуального контента, OCR, понимание видео и агентские сценарии. Заявлены поддержка 32 языков для OCR, контекстное окно до 262K токенов, пространственное рассуждение, различные разрешения, соотношения сторон и компоновки. Основным языком считается английский, при этом заявлена возможность работы с многоязычными запросами. Доступны квантизованные варианты от Q2_K до Q8_0, IQ4_XS и F16, а также отдельный мультимодальный проектор mmproj. Размер файлов варьируется примерно от 3,28 до 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Вариант подвергнут abliteration, то есть модификации, направленной на устранение отказов по соображениям безопасности и контентных фильтров. Это может быть полезно для исследований, red-teaming, творческих и технических задач, однако одновременно означает отсутствие обычных защитных ограничений и повышенные риски получения нежелательного или небезопасного контента. Для запуска заявлена совместимость с Transformers и vLLM; для вариантов BF16/FP8 указаны требования порядка 16–24 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-8B-Instruct-heretic — производная версия Qwen3-VL-8B-Instruct, созданная методом abliteration для сокращения отказов на запросы. По данным карточки, доля отказов в указанной проверке снизилась со 100 из 100 у исходной модели до 6 из 100; KL-дивергенция составила 0,1738. Модель предназначена для диалога с текстом и изображениями, визуального анализа и рассуждений. Базовая архитектура Qwen3-VL поддерживает анализ видео, OCR, пространственные задачи и контекст до 256 тыс. токенов с возможностью расширения до 1 млн, однако README описывает эти возможности исходной модели, а не отдельно проверенные характеристики этой версии.

SmolVLM-256M-Instruct — компактная мультимодальная модель Hugging Face для понимания изображений и ответов на текстовые запросы. Она принимает последовательности изображений и текста, в том числе чередующиеся, и генерирует текст. Модель основана на архитектуре Idefics3 и объединяет языковую SmolLM2-135M-Instruct с визуальным энкодером SigLIP; в метаданных указаны связи с обеими базовыми моделями. Модель предназначена для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях, анализа диаграмм и документов, а также создания текстовых историй по визуальному содержимому. Для компактного представления изображения используются 64 визуальных токена на патчи 512×512; большие изображения разбиваются на патчи. По данным карточки, инференс для одного изображения возможен менее чем с 1 ГБ видеопамяти, что делает модель подходящей для локальных и периферийных устройств. Модель ориентирована на английский язык и не генерирует изображения. Ответы могут быть фактически неверными, поэтому модель не подходит для решений, влияющих на благополучие или права людей. Выпущена под лицензией Apache 2.0.

mlx-community/SmolVLM-Instruct-8bit — версия SmolVLM-Instruct, преобразованная сообществом mlx-community в формат MLX с 8-битным представлением весов с помощью mlx-vlm 0.1.2. Модель основана на HuggingFaceTB/SmolVLM-Instruct и использует плотную архитектуру Idefics3 для генерации текста по текстовому запросу и изображению. Она предназначена для диалога с изображениями: отвечает на вопросы о визуальном содержимом и помогает разбирать документы. Версия MLX предназначена для запуска через mlx-vlm; карточка содержит инструкцию установки библиотеки. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

trocr-barbados-fold4 — модель MusaNyaks, дообученная на базе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста на изображениях, в частности для обработки отдельных строк. Модель принимает изображение и выдаёт текст; формат весов — safetensors, библиотека — Transformers. В README указана оценка Loss 0.8874 на наборе оценки, но сведения о датасете и подробные результаты отсутствуют. Модель распространяется по лицензии MIT. Качество на других данных и ограничения распознавания не описаны.

eshangj/TrOCR-Sinhala-finetuned — модель распознавания текста на изображениях на сингальском языке, разработанная Эшаном Гаянга. Это дообученная архитектура TrOCR VisionEncoderDecoderModel, основанная на контрольной точке Ransaka/TrOCR-Sinhala и обученная на наборе синтетических данных Ransaka/sinhala_synthetic_ocr-large. Модель предназначена для извлечения сингальского текста из печатных материалов, сканов документов и рукописных записей, а также для оцифровки архивов и распознавания рукописных работ. Модель принимает изображения и выдаёт текст. Карточка указывает лицензию MIT. Качество может снижаться на размытых, наклонённых, сильно повреждённых изображениях и при нестандартном почерке; модель не предназначена для других письменностей и смешанного текста. Для улучшения результата рекомендуется предварительная обработка изображения и последующая коррекция распознанного текста.

Zhimu-1.0 — диалоговая мультимодальная модель AIR-CAS-kx, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и формирует текстовые ответы; архитектура относится к семейству Qwen3-VL и реализована классом Qwen3VLForConditionalGeneration. Базовая модель предназначена для диалога, анализа изображений и видео, OCR и визуального рассуждения. Модель можно применять для вопросов по изображениям, извлечения текста с изображений и визуального диалога. В карточке Zhimu-1.0 подробности о целевых сценариях и результатах оценки не приведены. Указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

singtan/acord-qwen2-vl-7b-fine-tuned — дообученная модель компьютерного зрения и языка на базе Qwen2-VL-7B-Instruct, разработанная для извлечения структурированных данных из страховых форм ACORD. Она принимает изображения документов и формирует семантический JSON, в том числе для многостолбцовых макетов, чекбоксов и мелкого текста. Модель использует архитектуру Qwen2-VL с визуальным энкодером ViT и языковой моделью Qwen2; адаптация выполнена методом QLoRA с 4-битной квантизацией при обучении, визуальный энкодер оставлен замороженным. Поддерживается динамическое разрешение изображений от 256 до 1280 пикселей. Модель предназначена для автоматизации разбора страховых документов без отдельного OCR-конвейера и предварительной разметки координат. Лицензия — Apache-2.0. Карточка описывает возможности на формах ACORD; качество на других типах документов и рукописном тексте может отличаться, а заявленное распознавание рукописных вариаций не сопровождается количественными оценками.

AMALIA-VL-SFT — открытая мультимодальная модель, разработанная консорциумом португальских университетов и исследовательских центров при поддержке правительства Португалии. Это дообученная версия AMALIA-9B-1225-DPO на архитектуре Llava Next: модель принимает изображения и текст, а отвечает текстом. Она предназначена прежде всего для европейского португальского языка и поддерживает также английский. Модель подходит для визуальных вопросов и инструкций, кратких ответов, пересказа и составления текста по изображениям, извлечения текста из изображений и вопросов по документам. Её также можно использовать для исследований португальского языка и как основу для дальнейшей адаптации. Лицензия — Apache-2.0. AMALIA-VL-SFT может выдавать фактически неверные или предвзятые ответы, а меры безопасности не гарантируют отсутствия вредного вывода. Для фактических задач рекомендуется использовать поиск по источникам и проверять ответы; перед применением в производственной системе модель следует оценить для конкретной задачи. Она оптимизирована для европейского португальского, поэтому качество для других языков и вариантов португальского может отличаться.

Arabic Legal Documents OCR 1.0 — адаптер, дообученный автором карточки на базе мультимодальной Gemma 3 4B IT от Google для извлечения структурированных данных из сканированных арабских юридических документов, в том числе низкого качества. Модель принимает изображения документов и формирует текстовый ответ со структурированными данными; для повышения качества распознавания автор рекомендует предварительно изменить размер изображения и перевести его в оттенки серого. Модель построена на архитектуре Gemma 3 и распространяется как LoRA-адаптер для базовой модели google/gemma-3-4b-it. Карточка описывает использование через Transformers и vLLM. Поддерживаемые языки по метаданным — арабский и английский; язык документов, для которых она специально оптимизирована, — арабский. Лицензия указана как gemma. Модель ориентирована на OCR юридических документов и извлечение из них структурированных сведений. Карточка не приводит оценки качества, перечень поддерживаемых типов документов или схему выходных полей; результаты могут зависеть от качества скана и предварительной обработки.

arabic_PP-OCRv3_mobile_rec — компактная модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR на основе PP-OCRv3_mobile_rec и обученная для распознавания арабского алфавита. Она принимает изображение с текстовой строкой и возвращает распознанный текст; модель предназначена для использования как модуль распознавания в OCR-сценариях на базе PaddleOCR. Модель подходит для извлечения текста из изображений, когда строки уже выделены или их выделяет отдельный модуль обнаружения текста. Полный конвейер PP-OCRv3 может дополнительно выполнять коррекцию ориентации и деформации изображения, обнаружение строк и распознавание. В карточке приведены метрики точности, где строка считается ошибочной при неправильном распознавании любого символа, включая пунктуацию. Модель распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR. Доступные сведения указывают на поддержку арабского алфавита; компактная мобильная версия предназначена для распознавания строк, а не для полного OCR-конвейера сама по себе.

A.X 4.0 VL Light — компактная мультимодальная модель SK Telecom для понимания изображений и текста, созданная на основе A.X 4.0 Light и дополнительно обученная на мультимодальных данных, в том числе крупных корейских наборах. Она предназначена для диалога и анализа изображений, а также для корпоративных сценариев, связанных с корейскими документами, таблицами, графиками, рукописным текстом и надписями в сценах. В карточке приведены результаты на корейских визуальных и текстовых бенчмарках; модель также использует примерно на 41% меньше текстовых токенов, чем Qwen2.5-VL, для одинакового корейского ввода. Модель поддерживает обработку изображений и текста и генерацию текстовых ответов; метаданные указывают семейство a.x-4-vl, плотную архитектуру и интерфейс вызова инструментов. Для работы через Transformers требуется версия 4.49.0 или новее. Лицензия — Apache-2.0. Описанные сильные стороны сосредоточены на корейском языке и корейских материалах; README не приводит размер модели и длину контекста.

LocalDoc разработала компактную модель распознавания отдельных строк азербайджанского текста на основе CRNN с CTC-декодированием. Она принимает изображение уже обрезанной строки и выдаёт текст латиницей или кириллицей; для распознавания целых страниц её можно сочетать с детектором строк. Модель содержит 8,5 млн параметров, занимает около 34 МБ и работает на CPU. В README приведены результаты на наборе LocalDoc/azerbaijani-ocr-benchmark: CER 0,0242 и WER 0,0565. Модель подходит для распознавания строк в сканах книг и документов на азербайджанском языке, в том числе при пакетной обработке страниц через отдельный детектор. Она использует жадное CTC-декодирование без языковой модели; заявлена лицензия CC BY 4.0. Карточка рекомендует учитывать качество исходных сканов и особенности обучающих меток при оценке результатов.

BaichuanMed-OCR-72B — мультимодальная модель компании Baichuan, дообученная на основе Qwen/Qwen2.5-VL-72B-Instruct на наборах изображений медицинских отчётов и связанных с ними вопросах и ответах. Она предназначена для распознавания текста на изображениях медицинских документов, извлечения ключевых сведений и ответов на вопросы по их содержимому; результаты можно выдавать в структурированном Markdown. Модель использует архитектуру Qwen2.5-VL с 71,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указаны языки en и zh и контекст до 128 000 токенов. В README приведено сравнение на закрытом медицинском наборе данных, но оно не позволяет оценить качество на других документах. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке модели.

devanagari_PP-OCRv5_mobile_rec — компактная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она извлекает текст из изображений и предназначена для распознавания письменности деванагари; в README указана точность 84,96% при оценке, где строка считалась ошибочной при любом неверно распознанном символе или знаке препинания. Модель используется как модуль распознавания в OCR-сценариях PaddleOCR: распознаёт текстовые строки, обычно после обнаружения строк на изображении, и возвращает их содержимое в виде текста. Для обработки сложных изображений её можно подключить к PP-OCRv5, включающему обнаружение текста и дополнительные модули коррекции ориентации и геометрии. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о поддерживаемых входных разрешениях или условиях оценки точности, поэтому указанный показатель не следует считать гарантией для произвольных изображений.

Elva-Phi3-3.8B — мультимодальная модель семейства LLaVA-Phi, представленная в работе «On Efficient Language and Vision Assistants for Visually-Situated Natural Language Understanding: What Matters in Reading and Reasoning». Она предназначена для диалогового понимания изображений, включая чтение текста на изображениях и рассуждения по визуально представленным данным. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaPhiForCausalLM и принимает контекст длиной до 4096 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в доступных данных не указана.

EraX-VL-2B-V1.5-i1-GGUF — квантизированная мультимодальная модель на основе EraX-VL-2B-V1.5, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста, включая задачи OCR, преобразование изображения в текст и ответы на запросы по изображениям. В метаданных также указано применение в страховании. Поддерживаются вьетнамский, английский и китайский языки. Модель имеет размер около 2 млрд параметров в базовой версии и поставляется в нескольких вариантах квантизации GGUF объёмом примерно от 0,5 до 1,4 ГБ. Доступны форматы IQ и Q с разным соотношением размера, скорости и качества; среди рекомендуемых вариантов указаны i1-Q4_K_M и i1-Q4_K_S. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Сведения об архитектуре, размере контекстного окна, результатах тестирования и ограничениях качества базовой модели в README не приведены. Лицензия модели — Apache-2.0. Квантизация уменьшает требования к памяти и позволяет запускать модель локально, однако низкокачественные варианты могут заметно уступать по качеству более крупным или менее агрессивно квантизированным версиям.

Gemma 4 E2B Arabic + English Vision — разреженная версия мультимодальной модели Google Gemma 4 E2B IT, подготовленная ml-intern-explorers. Это плотная модель с архитектурой Gemma4ForConditionalGeneration: она принимает текст и изображения и генерирует текст. По данным карточки, из словаря удалены токены для ряда языков, включая кириллицу, а также аудиоэнкодер; сохранены зрительный энкодер и генерация текста. README указывает словарь из 209 836 токенов и сообщает о 4,25 млрд параметров; метаданные подтверждают базовую модель google/gemma-4-e2b-it и формат safetensors. Модель предназначена для понимания изображений и текста на арабском и английском языках, включая разбор документов и распознавание арабского текста на изображениях. В описанном в README тесте распознавания арабского текста результаты совпали с исходной Gemma 4 E2B IT на 100 примерах; это ограниченная проверка, а не гарантия качества на других данных. README также рассматривает модель как основу для дообучения двуязычных приложений. Лицензия — Apache-2.0. В заявленных ограничениях — отсутствие аудиовхода и поддержки языков, чьи токены были удалены, в том числе русского, китайского, деванагари и тайского. Модель не подходит для сценариев, которым нужны аудиофункции или текстовая генерация на этих языках.