I.4Обработка документов и форм

GLM-4.6V-Flash NVFP4 GGUF — квантованная мультимодальная модель Z.ai (Zhipu AI), подготовленная в формате GGUF на основе zai-org/GLM-4.6V-Flash. Она сочетает языковую часть на 9 млрд параметров с 40 слоями трансформера и 24-слойным визуальным ViT-энкодером. Контекст составляет 128K токенов; модель принимает изображения и текст и формирует текстовые ответы, включая описание изображений и разбор документов. Модель подходит для диалогов по изображениям, визуального анализа документов и локального мультимодального ассистента. Веса языковой части представлены в NVFP4, а проектор визуального энкодера — в F16; для полной работы с изображениями нужны оба файла. Нативное вычисление FP4 рассчитано на видеокарты NVIDIA Blackwell, на более старом оборудовании и CPU возможен более медленный программный fallback. Репозиторий указывает лицензию MIT. Квантование снижает требования к памяти, но может повлиять на точность по сравнению с исходными весами.

InternVL3.5-38B-HF — мультимодальная модель семейства InternVL, разработанная OpenGVLab и представленная в формате Hugging Face Transformers. Это дообученная версия InternVL3_5-38B-MPO с плотной архитектурой InternVLForConditionalGeneration и 38 млрд параметров. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; поддерживает многоязычные сценарии. Модель предназначена для диалога по изображениям и решения задач визуального анализа и рассуждения, включая распознавание текста на изображениях, ответы на вопросы и интерпретацию визуальных материалов. В README также заявлены возможности взаимодействия с графическими интерфейсами и embodied-сценарии для семейства InternVL3.5. Для запуска 38B версии требуются две видеокарты A100; чекпойнт доступен в формате safetensors и работает с Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов; заявлены улучшения качества рассуждений и эффективности относительно InternVL3. Репозиторий распространяется по лицензии Apache-2.0. Конкретное значение длины контекста в предоставленных сведениях не приведено.

MC-LLaVA-3b — мультимодальная модель семейства LLaVA, опубликованная visheratin. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, отвечает на вопросы о содержимом изображения. В карточке приведены результаты на TextVQA, GQA, VQAv2, VizWiz и задачах V*-bench, включая распознавание текста и определение пространственных отношений. Модель загружается через Transformers и AutoProcessor; для обработки изображения процессор поддерживает разбиение на кропы. По README, подход MC-LLaVA отличается от обычного для LLaVA представления изображения последовательностью из фиксированного числа токенов. Репозиторий содержит веса Safetensors, а лицензия указана как MIT. README отдельно просит учитывать условия OpenAI и Google Gemini из-за использования синтетических обучающих данных.

DevQuasar опубликовал GGUF-версию microsoft/Phi-4-reasoning-vision-15B. Это мультимодальная чат-модель с поддержкой изображений, предназначенная для ответов на вопросы по визуальным данным и рассуждений об изображениях. Каталог относит базовую модель к дообученным моделям Microsoft; в репозитории указаны веса GGUF в формате F16. Модель подходит для анализа изображений и документов, а также для работы со скриншотами графических интерфейсов. Карточка не сообщает подробностей о размере контекста, языках и условиях лицензии этой копии, поэтому их нельзя уточнить по доступным данным.

openbmb/MiniCPM-V-4.6-AWQ — это мультимодальная модель для понимания изображений и видео, разработанная командой OpenBMB. Репозиторий содержит AWQ-квантизованную версию W4A16 базовой модели MiniCPM-V 4.6 с использованием AutoAWQ; исходная модель построена на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Модель предназначена для анализа одного и нескольких изображений, видео, визуального вопросно-ответного взаимодействия, распознавания текста и других задач vision-language. Она ориентирована на эффективное развертывание на периферийных устройствах, включая смартфоны и системы iOS, Android и HarmonyOS. Архитектура использует смешанное сжатие визуальных токенов 4x/16x, что позволяет выбирать баланс между скоростью и точностью. Заявлена поддержка интеграции с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также дообучения через SWIFT и LLaMA-Factory. К сильным сторонам относятся компактность, сниженные вычислительные затраты визуального кодировщика, высокая эффективность инференса и мультимодальные возможности, сопоставимые с более крупными моделями на ряде тестов. Ограничения включают отсутствие в представленном README сведений о размере контекстного окна, поддерживаемых языках и подробных характеристиках качества; кроме того, AWQ-квантизация и формат W4A16 требуют совместимого программного и аппаратного окружения. Модель распространяется по лицензии Apache 2.0.

Felldude/Ministral-3-8B-Uncensored-FP8 — мультимодальная модель на архитектуре Mistral 3, дообученная на задачах, связанных с изображениями и текстом. Она включает языковую часть на 8,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров и предназначена для понимания изображений и генерации текстовых ответов. Модель поддерживает многоязычные сценарии, следование системным инструкциям, вызов функций и выдачу структурированного JSON; заявлено контекстное окно 256 тыс. токенов и оптимизация для запуска на периферийных устройствах. Основные сценарии — описание изображений, извлечение текста и данных с изображений, классификация текста и мультимодальные ассистенты. В README также заявлены перевод в реальном времени и применение для NSFW-контента, включая подписи к изображениям и генерацию историй и ответов. Для запуска приведён пример на Transformers с CUDA. Модель распространяется по лицензии Apache 2.0; качество заявленных возможностей независимо не подтверждено карточкой.

ejahdil разработал сегментатор границ документов на основе MobileNetV3-Large с энкодером, предварительно обученным на ImageNet, и декодером U-Net. Модель принимает фотографию страницы, масштабирует её с сохранением пропорций до входа 384×384 и выдаёт маску с оценкой для каждого пикселя; по маске можно восстановить четырёхугольник границ документа. Модель предназначена для обнаружения страницы на фотографии, в том числе на фоне, близком по тону к бумаге. Она обучена на SmartDoc 2015 Challenge 1 с синтетическим повторным размещением страниц на различных фонах. В README указаны медианный Quad IoU 0,991 и 98,5% кадров с IoU не ниже 0,95 на отложенных документах. Это специализированная модель компьютерного зрения без текстового ввода и вывода. Оценка дана на ограниченном наборе SmartDoc; качество на иных типах документов и условиях съёмки отдельно не описано. Лицензия — CC BY 4.0.

PaliGemma 2 3B Mix 224 — мультимодальная модель Google на основе Gemma 2 и SigLIP, принимающая изображение и текст и генерирующая текст. Версия Mix объединяет несколько вариантов обучения для разных задач компьютерного зрения и языка; модель рассчитана прежде всего на дообучение под специализированные сценарии. Она подходит для создания подписей к изображениям, визуальных ответов на вопросы, чтения текста на изображениях (OCR), обнаружения и сегментации объектов. Также семейство предназначено для подписей к коротким видео и специализированных задач, например анализа снимков дистанционного зондирования, интерфейсов или научных изображений. Карточка подтверждает поддержку нескольких языков, но не перечисляет их коды. Репозиторий использует формат safetensors и библиотеку Transformers. Модель лучше работает с ясными инструкциями; качество в режиме без дообучения может уступать моделям, созданным для универсального общения. Она не является многоходовым чат-ботом и может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Возможны смещения и генерация вредного или вводящего в заблуждение текста. Лицензия — gemma; применение регулируется условиями и политикой использования Gemma.

PP-LCNet_x0_25_textline_ori — компактная модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для использования в составе PaddleOCR. Она определяет, ориентирована ли строка текста нормально или перевёрнута на 180 градусов, чтобы последующая OCR-обработка могла скорректировать изображение и повысить точность распознавания. Модель предназначена для сценариев сканирования документов, фотографирования удостоверений, сертификатов и других материалов, где камера или изображение могут быть повёрнуты. Модель основана на архитектуре PP-LCNet_x0_25 и поддерживает два класса: 0 и 180 градусов. В README указаны средняя точность 98,85% и размер хранения около 0,96 МБ, что делает её подходящей для лёгкого и быстрого использования в OCR-конвейерах. В карточке заявлены языки en и zh, однако модель классифицирует ориентацию изображения, а не содержание текста, поэтому её применение не ограничивается распознаванием конкретного языка. Данные о размере контекста и других модальностях не указаны. Сильные стороны модели — высокая заявленная точность, малый размер и специализированное назначение. Ограничение заключается в том, что она различает только нормальную и перевёрнутую на 180 градусов ориентацию; поддержка поворотов на 90 или 270 градусов не заявлена. Модель распространяется по лицензии Apache-2.0 и предназначена для использования через PaddleOCR и PaddlePaddle.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для определения направления текста на изображении и его последующей коррекции перед OCR-обработкой, что особенно полезно при сканировании документов и фотографировании удостоверений, сертификатов и других материалов, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet и классифицирует два варианта ориентации: 0 и 180 градусов. Средний показатель точности составляет 98,85%, размер модели — около 0,96 МБ. В карточке указаны языки en и zh, однако основная функция модели не распознавание текста, а классификация его ориентации. Предусмотрено использование через PaddleOCR с движком ONNX Runtime; модель принимает изображения текстовых строк и поддерживает пакетную обработку. Сильными сторонами являются компактный размер, высокая точность и пригодность для предварительной коррекции изображений в OCR-конвейерах. Ограничение модели — поддержка только двух направлений, поэтому она не предназначена для классификации произвольных углов поворота или полноценного распознавания текста. Модель распространяется по лицензии Apache-2.0.

Qaari 0.1 Urdu — мультимодальная модель для распознавания текста на изображениях на языке урду. Она разработана Ahmed Wasfy и представляет собой дообученную версию Qwen2-VL-2B, предназначенную прежде всего для OCR документов и изображений с текстом на урду. Модель принимает изображение и текстовую инструкцию, а в ответ генерирует текстовую расшифровку содержимого документа. Модель имеет архитектуру Qwen2-VL с размером 2B параметров и дообучалась на 10 000 синтетических пар изображений текста на урду и эталонных транскрипций. В обучении использовались шрифты AlQalam Taj Nastaleeq, Alvi Nastaleeq, Gandhara Suls, Jameel Noori Nastaleeq и NotoNastaliqUrdu; проверенные размеры шрифта составляют от 14 до 40 пунктов. На заявленном наборе данных Qaari 0.1 Urdu показала WER 0,048, CER 0,029, BLEU 0,916 и соотношение длины 0,978, превзойдя базовую Qwen2-VL-2B и Tesseract. Сильные стороны модели — специализация на урду, высокая точность распознавания и поддержка письменности Nastaleeq. К ограничениям относятся возможное снижение качества на шрифтах и размерах, не представленных при дообучении, сложных лигатурах, нестандартных вариантах Nastaleeq, изображениях низкого разрешения и цифровых дисплеях. Модель распространяется на условиях лицензии базовой модели Qwen2-VL-2B; точные условия в README не приведены.

RedHatAI/Qwen2.5-VL-7B-Instruct-FP8-Dynamic — квантованная версия мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы. Она предназначена для визуально-текстовых задач: визуального вопросно-ответного взаимодействия, анализа документов, диаграмм и графиков, решения математических задач по изображениям, а также для ряда общих текстовых бенчмарков. Модель имеет архитектуру Qwen2.5-VL-7B-Instruct с заявленным размером 7B параметров. Для весов и активаций используется динамическая квантование FP8; при этом визуальная башня, мультимодальный проектор и lm_head не квантовались. Модель рассчитана на эффективный инференс через vLLM версии 0.5.2 и новее, поддерживает OpenAI-совместимое предоставление сервиса. В README явно указан английский язык, а максимальная длина контекста в примере развертывания составляет 4096 токенов. К сильным сторонам относятся снижение вычислительных и memory-затрат при сохранении качества исходной модели: на приведённых тестах средний результат на vision-задачах составил 76,50 против 75,95 у базовой модели. Ограничения включают зависимость от совместимого стека vLLM, необходимость мультимодальной инфраструктуры для работы с изображениями и отсутствие подробных сведений о поддерживаемых языках, фактическом размере контекста и результатах вне указанных оценок. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-32B-Instruct-heretic-v2 — изменённая версия мультимодальной модели Qwen3-VL-32B-Instruct от Qwen. По README, модель прошла abliteration: в приведённом сравнении доля отказов снизилась с 99 до 9 из 100, а KL-дивергенция относительно исходной модели составляет 0,0977. Метаданные указывают плотную архитектуру Qwen3-VL с 32 млрд параметров и формат safetensors. Модель принимает текст и изображения и предназначена для диалога с визуальным контекстом, распознавания текста на изображениях, анализа видео и визуального рассуждения. README базовой модели заявляет контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; это характеристики семейства, а не отдельные результаты оценки данной модификации. В карточке нет отдельного описания её качества по задачам. Модель выпущена под лицензией Apache-2.0. Снижение числа отказов может означать ослабление встроенных ограничений безопасности; приведённая таблица не описывает методику оценки и не позволяет судить о поведении во всех сценариях.

ZuzeTt/Qwen3-VL-4B-Thinking-heretic-imatrix-GGUF — мультимодальная модель для понимания и генерации текста по изображениям и текстовым запросам. Она создана на основе Qwen/Qwen3-VL-4B-Thinking и представляет собой её декензурированную версию, полученную с помощью Heretic 1.1.0. В README указано, что исходная модель относится к семейству Qwen; отдельный разработчик этой модификации не назван. Модель предназначена для визуального анализа, рассуждений по изображениям, решения STEM- и математических задач, распознавания текста, понимания пространственных отношений, анализа видео, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Заявлены поддержка длинного контекста до 256K токенов с возможным расширением до 1M, понимание длительных видео, OCR на 32 языках и мультимодальное рассуждение. Архитектурные особенности базовой модели включают Dense-архитектуру, режим Thinking, Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками; размер модели — 4B параметров. Ключевая особенность модификации — существенное снижение количества отказов: в приведённом тесте она отказала в 3 из 100 случаев против 97 из 100 у исходной модели, при KL divergence 0,0259. Это может быть преимуществом для исследовательских и прикладных сценариев, где требуется менее ограниченное поведение, но одновременно повышает риск небезопасных или нежелательных ответов. В README не приведены результаты независимой оценки качества, полный перечень поддерживаемых языков генерации, точные характеристики GGUF-квантизации или требования к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

SkyworkVL-2B — мультимодальная модель компьютерного зрения и языка, разработанная командой Skywork на базе OpenGVLab/InternVL2_5-2B и дообученная на 2 млн примеров с подписями к изображениям и вопросами и ответами. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в карточке заявлены многоэтапное обучение с учителем и дополнительное обучение рассуждениям на 40 тыс. примеров, включая китайские задания Gaokao. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, анализа диаграмм и научных графиков, распознавания текста на изображениях и определения объектов с рамками. Для обработки изображений применяется разбиение на фрагменты с учётом соотношения сторон и несколько разрешений. В сравнении, приведённом в README, модель показывает сильные результаты на MathVista, MMMU, AI2D, OCRBench, RealWorldQA и HallusionBench, хотя на MME уступает базовой InternVL2.5-2B. Доступны веса в формате safetensors; лицензия — Apache-2.0.

mlx-community/SmolVLM-Instruct-bf16 — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX, выполненная сообществом mlx-community с помощью mlx-vlm 0.1.2. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она может описывать визуальное содержимое, отвечать на вопросы об изображениях и помогать разбирать документы. Модель принимает текст и изображения, выдаёт текст; в метаданных указан английский язык. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README отсылает к исходной карточке HuggingFaceTB/SmolVLM-Instruct за подробностями о модели; сведения о размере и длине контекста в предоставленных данных отсутствуют.

Stockmark-Nemotron-3-Nano-Omni-JapanDocReader — мультимодальная модель Stockmark Inc. для чтения японских документов, созданная дообучением NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning. Обучение включало смешанное supervised fine-tuning на структурированном разборе документов и визуальных вопросах и ответах, а затем DAPO для улучшения разбора документов. Архитектура относится к семейству NemotronH_Nano_Omni_Reasoning_V3; веса опубликованы в формате safetensors. Модель предназначена для извлечения структурированных данных из японских документов и ответов на вопросы по изображениям документов. Для структурированного разбора требуется использовать фиксированный японский промпт и заданную им JSON-схему; модель также сохраняет часть возможностей базовой модели для визуальных вопросов и ответов. В карточке приведён пример запуска через vLLM с максимальной длиной контекста 210 000 токенов. Модель работает с изображениями и текстом, а основной язык документов — японский; цепочки рассуждений при обучении использовали английский. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. К известным ограничениям относятся чувствительность точности разбора к точному формату промпта и возможное снижение качества при изменении режима рассуждений или языка рассуждений.

TrOCR — модель распознавания текста на изображениях, оптимизированная Qualcomm для устройств на базе чипсетов Qualcomm. Реализация основана на модели microsoft/trocr-small-handwritten и использует связку предварительно обученных image transformer и text transformer для понимания изображения и генерации текста на уровне wordpiece. Модель предназначена для преобразования изображений с рукописным текстом в текстовую последовательность. Модель принимает изображения с разрешением 320×320 пикселей. Энкодер содержит около 23 млн параметров и занимает 87,8 МБ в формате float, декодер — около 38,3 млн параметров и 146 МБ. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE с поддержкой Qualcomm AI Runtime и выполнения на NPU. Также возможен экспорт с пользовательскими весами, формами входных данных, целевым устройством и runtime-конфигурацией. В README не указаны поддерживаемые языки и размер контекстного окна. Сильной стороной модели является адаптация для эффективного локального запуска на мобильных, периферийных и промышленных устройствах Qualcomm; для ряда чипсетов заявлено время инференса декодера примерно от 1,2 до 4,2 мс. Ограничения включают специализацию на распознавании текста с изображений и зависимость производительности от конкретного устройства, runtime и конфигурации. Модель распространяется по лицензии MIT.

Модель shubham879/trocr-prescription разработана shubham879 и дообучена на основе microsoft/trocr-base-handwritten для распознавания рукописного текста в медицинских рецептах. Это модель архитектуры VisionEncoderDecoder из библиотеки Transformers, которая принимает изображения строк рецепта и преобразует их в текст. Она предназначена для оцифровки рецептов и извлечения медицинского текста, в том числе как часть конвейеров распознавания и проверки рецептов. По данным карточки, показатель CER составляет 9%, а точность последовательности — 73%. Модель ориентирована на английский язык и рукописные рецепты; для наилучшей работы рекомендуются обрезанные изображения отдельных строк. Лицензия — Apache-2.0. Распознавание ухудшается при неразборчивом почерке и низком качестве изображения, а названия препаратов могут быть прочитаны неверно.

VARCO-VISION-14B — мультимодальная модель NC Research, команды Multimodal Generation Team, для диалоговой работы с изображениями на английском и корейском языках. Модель построена по архитектуре LLaVA-OneVision и объединяет Qwen/Qwen2.5-14B-Instruct с визуальным энкодером google/siglip-so400m-patch14-384. Она принимает одно изображение и текстовый запрос, а выдаёт текст; поддерживает распознавание текста на изображении (OCR), поиск объектов и текста с привязкой к областям изображения и ответы на вопросы о визуальном содержимом. Модель предназначена для понимания изображений и задач визуально-языкового диалога. Для запуска README рекомендует Transformers версии 4.45.0 или новее. В карточке сообщается о выпуске версии 2.0 в июле 2025 года, поэтому эта версия 1.0 устарела относительно более новой. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; разработчик указывает исследовательское назначение.

VLAA-Thinker-Qwen2VL-7B — мультимодальная модель UCSC-VLAA для рассуждений по изображениям и тексту. Она дообучена на наборе VLAA-Thinking с применением supervised fine-tuning и reinforcement learning; модель построена на архитектуре Qwen2-VL и содержит 7,1 млрд параметров. Модель предназначена для диалоговых задач, где нужно анализировать изображение, связывать визуальные сведения с вопросом и давать обоснованный ответ. Среди подходящих сценариев — решение задач по диаграммам и графикам, визуальные вопросы и ответы, анализ документов и изображений с текстом, а также мультимодальные математические задачи. В README заявлены высокие результаты на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Модель принимает текст и изображения, выдаёт текст; родной контекст составляет 32 768 токенов. Для инференса README требует включать обучающий системный промпт. Доступны веса в формате safetensors, используется Transformers, лицензия — Apache-2.0. Подробные инструкции по использованию промпта и код инференса приведены в README.

ZDTaichu5.0-9B-GGUF — мультимодальная foundation-модель, разработанная командой Taichu AI. Она предназначена для общего визуального понимания, пространственного рассуждения, агентского использования инструментов и исследований в области embodied AI. Модель работает с текстом, отдельными и множественными изображениями, а также видео; заявлена поддержка английского и китайского языков. В основе используется языковой декодер Qwen3.5-9B и vision-энкодер C-RADIOv4-H. Модель поддерживает контекст до 128K токенов и визуальный ввод произвольного разрешения. Она рассчитана на понимание изображений, документов, таблиц, графиков, диаграмм и OCR, визуальную математику, ответы на вопросы с опорой на визуальные данные, анализ нескольких ракурсов и видео, локализацию объектов, координаты и bounding boxes, 2D- и 3D-пространственные отношения, перспективу, планирование действий и понимание affordances. К сильным сторонам относятся широкий профиль визуальных возможностей, пространственное и embodied-рассуждение, многошаговое и многотуровое использование инструментов, а также Entropy-Gated Adaptive Recurrent Reasoning, динамически выделяющий дополнительные итерации обработки для сложных токенов. GGUF-артефакты совместимы с llama.cpp, Ollama и другими GGUF-инструментами; доступны варианты квантования языковой модели и vision-энкодера для CPU и NVIDIA GPU с CUDA. Исполнение инструментов моделью самостоятельно не выполняется и должно быть реализовано и защищено окружающим приложением. Лицензия в представленном README не указана.

Карточка модели 360ZhiNao/360VL-8B на Hugging Face совпадает с карточкой qihoo360/360VL-8B, поэтому описание составлено по ней. 360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений. Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки. Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

BaichuanMed-OCR-7B — мультимодальная модель компании Baichuan, дообученная на медицинских отчётах на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает изображения медицинских документов и текстовые вопросы, распознаёт содержание отчёта и отвечает на вопросы по извлечённым данным; распознанную информацию может выдавать в структурированном Markdown. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В опубликованном README приведён результат 83,5% на частном наборе медицинских отчётов; он не гарантирует такое же качество на других документах. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчика.

rrainn публикует побайтную копию официального предобученного чекпойнта PARSeq из docTR; модель не обучалась и не изменялась rrainn. Она распознаёт текст на изображениях уже выделенных слов и предназначена для этапа распознавания в OCR-конвейере. Архитектура сочетает Vision Transformer для кодирования изображения и авторегрессионный декодер последовательностей с перестановками; модель работает на PyTorch через python-doctr и ожидает RGB-вход размером 3 × 32 × 128. Максимальная длина последовательности — 32 символа. Модель подходит для транскрибации документов, оценки OCR и как начальная точка для дообучения под конкретный домен. Это не детектор текста на полной странице: для такого сценария её нужно сочетать с детектором или подавать на вход обрезанные изображения слов. Поддерживается настроенный латинский/французский набор символов; качество может снижаться на рукописном, размытом, изогнутом или вертикальном тексте и на данных, отличающихся от обучающих. Состав обучающей выборки раскрыт не полностью, а уверенность последовательности не гарантированно откалибрована. Лицензия — Apache-2.0.

EraX-VL-2B-V1.5 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group на основе Qwen/Qwen2-VL-2B-Instruct. Модель дообучена для распознавания текста и ответов на вопросы по изображениям, особенно на вьетнамском языке; поддерживает также английский и китайский. Она предназначена для работы с документами, включая удостоверения личности, водительские права, свидетельства о рождении, счета и медицинские записи, а также для диалоговых запросов по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявлен контекст до 32 768 токенов, а также поддержка многошаговых вопросов и ответов. Это мультимодальная языковая модель, поэтому для извлечения данных результат зависит от точности формулировки запроса; модель не является специализированным OCR-движком. Авторы отмечают, что она не обучалась на рентгеновских снимках или данных об автомобильных авариях. Лицензия — Apache 2.0.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

InternVL3.5-14B — мультимодальная модель OpenGVLab из семейства InternVL3.5, представленная в архитектуре InternVLChat. Она принимает изображения и текст и формирует текстовые ответы; версия на 14 млрд параметров является дообучением OpenGVLab/InternVL3_5-14B-MPO. Модель предназначена для диалогов по изображениям и мультимодальных задач, включая визуальное рассуждение, ответы на вопросы по изображению и распознавание текста в изображениях. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. В README также описаны взаимодействие с графическим интерфейсом и embodied-задачи как возможности семейства. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. README не приводит отдельные показатели качества или длину контекста именно для версии 14B.

InternVL3.5-14B-MPO — мультимодальная модель OpenGVLab на архитектуре InternVLChatModel с плотной 14B языковой частью. Это вариант семейства InternVL3.5, дообученный на данных MMPR-v1.2 и MMPR-Tiny для улучшения мультимодальных ответов и рассуждений. Модель принимает изображения и текстовые запросы и генерирует текст; подходит для диалога по изображениям, визуального анализа, распознавания текста на изображениях и решения задач на рассуждение. Семейство InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. README описывает мультимодальное понимание, включая задачи по изображениям; конкретные языки и размер контекстного окна для этой версии в предоставленных данных не установлены. Лицензия — Apache-2.0.

InternVL3.5-241B-A28B-HF — мультимодальная модель семейства InternVL, разработанная OpenGVLab и представленная в формате Hugging Face Transformers. Она принимает изображения и текст и генерирует текстовые ответы; предназначена для диалога по изображениям, визуального и математического рассуждения, распознавания текста на изображениях, анализа видео, а также GUI- и агентных задач. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Метаданные указывают архитектуру InternVLForConditionalGeneration и формат safetensors. Модель дообучена на основе OpenGVLab/InternVL3_5-241B-A28B-MPO и распространяется по лицензии Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: в README говорится, что модель семейства на 235B параметров требует восьми GPU A100; точные требования для этой версии отдельно не приведены. Длина контекста и конкретный набор поддерживаемых языков в предоставленных данных не указаны.