I.4Обработка документов и форм

ko-pii-public-v1 — модель для обнаружения и классификации персональных данных в корейском тексте. Автор дообучил OpenAI Privacy Filter на синтетических документах, данных KDPII и примерах KLUE NER. Модель поддерживает 23 категории, включая имена, телефоны, адреса, идентификаторы, банковские и карточные данные; архитектура — MoE для классификации токенов, веса опубликованы в формате safetensors. Карточка указывает 145,4 млн параметров и контекст 131 072 токена. Модель предназначена для поиска персональных данных в корейских формах, письмах, документах KYC, медицинских записях, договорах и протоколах встреч, чтобы затем маскировать найденные фрагменты. Разработчик рекомендует разбивать документы длиннее 500 символов на фрагменты примерно по 150 символов. Указана лицензия CC BY-SA 4.0, унаследованная от обучающих данных KLUE. В оценке автор сообщает о повышении устойчивости на документах разной длины, но отмечает снижение F1 на тесте KDPII по сравнению с предыдущей версией. Модель может пропускать отдельные номера паспорта и автомобильные номера без окружающих ключевых слов, широко размечает географические названия как адреса и может считать прозвища именами. Результаты для OCR, диалектов и сильно зашумлённого текста не приведены; качество на собственных доменных данных следует проверять отдельно.

Ba2han/lfm-cpt — дообученная модель Liquid AI на базе LiquidAI/LFM2.5-VL-1.6B. Она принимает изображения вместе с текстовыми запросами и предназначена для диалога по изображениям, распознавания текста и ответов на вопросы по изображениям и документам. Модель использует архитектуру Lfm2VlForConditionalGeneration семейства LFM2-VL и распространяется в формате safetensors для Transformers. Датасет дообучения и результаты оценки не описаны, поэтому качество и специализацию сверх возможностей базовой модели определить нельзя. Лицензия указана как other; конкретные условия использования в доступных сведениях не раскрыты.

alpindale/Llama-3.2-11B-Vision-Instruct — мультимодальная инструктивная модель, опубликованная alpindale на основе модели Meta Llama 3.2-Vision. Это плотная авторегрессионная трансформерная модель семейства mllama с 11 млрд параметров: она обрабатывает текст и изображения и генерирует текст. Визуальный адаптер с перекрёстным вниманием передаёт представления изображения в языковую модель; для запуска используется библиотека Transformers. Модель подходит для визуального распознавания и рассуждений по изображениям, создания подписей, ответов на вопросы об изображениях и диалога с визуальным контекстом. Среди заявленных сценариев также ответы по изображениям документов, поиск соответствий между изображениями и текстом и визуальная привязка описаний к областям изображения. Контекст составляет до 128 тыс. токенов. Для задач с изображениями заявлена поддержка английского; для текстовых задач поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель рассчитана на коммерческое и исследовательское применение. В README указана лицензия Llama 3.2 Community License — специальное лицензионное соглашение с условиями использования и Acceptable Use Policy; перед внедрением следует ознакомиться с ними. Модель статична, обучена на офлайн-данных; заявленная дата отсечения знаний — декабрь 2023 года. README описывает семейство моделей Meta и не подтверждает конкретные изменения, внесённые alpindale в эту копию.

Pathumma Vision 3.0.0-Re — мультимодальная модель NECTEC для распознавания тайского текста на изображениях и анализа документов. Она дообучена на основе Qwen3-VL-2B-Instruct на 377 тысячах примеров OCR с акцентом на тайский язык, сложные документы и текст в реальных сценах. Архитектура — плотная Qwen3-VL с обработкой изображений и генерацией текста; модель рассчитана на работу через Transformers и обучалась с применением Quantization-Aware Training для более эффективного развёртывания. Модель предназначена для извлечения текста из документов и фотографий, распознавания рукописного и сценического текста, а также понимания тайских документов. В сравнении на ThaiOCRBench показаны результаты по распознаванию текста, разбору документов и связанным визуальным задачам. Лицензия — Apache-2.0. Карточка не приводит ограничений по размеру контекста; результаты на других языках и типах изображений не заявлены.

Карточка модели nttruong1007/qb-smolvlm500 на Hugging Face совпадает с карточкой HuggingFaceTB/SmolVLM-500M-Instruct, поэтому описание составлено по ней. SmolVLM-500M-Instruct — компактная мультимодальная модель компании Hugging Face для диалогов по изображениям. Она построена на архитектуре Idefics3 и объединяет языковую модель SmolLM2-360M-Instruct с визуальным энкодером SigLIP; число параметров в предоставленных данных не указано. Модель принимает изображения и текстовые запросы, включая чередующиеся последовательности этих входов, и генерирует текст на английском языке. Модель предназначена для ответов на вопросы об изображениях, описания визуального содержимого, распознавания текста на изображениях, понимания документов и диаграмм, а также создания историй по визуальным материалам. Сжатое представление изображений и лёгкая архитектура рассчитаны на эффективный запуск: в README указано потребление около 1,23 ГБ видеопамяти для обработки одного изображения. Модель не генерирует изображения. В README приведены рекомендации по настройке разрешения изображений и использованию пониженной точности для экономии ресурсов. Ответы могут быть фактически неверными; модель не предназначена для решений с серьёзными последствиями для людей. Лицензия — Apache 2.0.

Qwen2-VL-2B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Это версия без настройки инструкциями; она предназначена для дальнейшей адаптации и задач понимания изображений и видео по текстовым запросам. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Для обработки изображений применяется динамическое разрешение, а позиционное кодирование M-ROPE учитывает текстовые, двумерные визуальные и трёхмерные видеоданные. Модель подходит для ответов на вопросы по изображениям и видео, визуального диалога, понимания документов и текста на изображениях, а также сценариев, где визуальные наблюдения сочетаются с текстовыми инструкциями. В карточке заявлена поддержка английского и китайского языков, а также распознавания текста на изображениях на многих других языках. Модель доступна в формате Safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. Поскольку это базовая версия без настройки инструкциями, готовое диалоговое поведение и качество следования пользовательским запросам могут быть ограничены.

SAIL-VL-2B — компактная модель для работы с изображениями и текстом, разработанная командой Bytedance Douyin Content. В архитектуре используются визуальный энкодер InternViT-300M, языковая модель Qwen2.5-1.5B и двухслойный MLP-адаптер; заявлено объединение визуальных токенов 2×2 и обработка изображений с разрешением 448×448 и динамическим числом фрагментов. Модель предназначена для диалоговых задач по изображениям: ответов на вопросы, общего визуального анализа, распознавания текста на изображениях и описания сцен. В README приведены результаты оценок на мультимодальных бенчмарках и примеры подробных ответов, а метаданные указывают на возможности чата и интерфейс вызова инструментов. Карточка называет модель базовой VLM для приложений, в том числе с прицелом на мобильное развертывание. Модель дообучена на базе Qwen/Qwen2.5-1.5B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0. README заявляет поддержку нескольких мультимодальных сценариев, однако конкретные языки не перечисляет; метаданные карточки указывают английский и китайский. Результаты в README оценивала команда разработчиков с использованием варианта VLMEvalKit, поэтому они не являются независимой оценкой.

SmolVLM-Synthetic — компактная мультимодальная модель от Hugging Face для анализа изображений и текста. Она объединяет языковую модель SmolLM2-1.7B-Instruct с визуальным компонентом SigLIP и использует архитектуру Idefics3; веса доступны в формате safetensors. Модель принимает текстовые запросы и одно или несколько изображений, в том числе в чередующихся последовательностях, и формирует текстовый ответ. Также её можно использовать как языковую модель без изображений. Модель предназначена для ответов на вопросы по изображениям, описания визуального содержимого, подписей к изображениям, понимания документов, диаграмм и визуальных рассуждений, а также для рассказов, основанных на изображениях. Для кодирования изображения используются 81 визуальный токен на патч 384×384; более крупные изображения разбиваются на патчи. Компактная архитектура рассчитана на эффективный инференс, в том числе на устройствах с ограниченными ресурсами. В карточке указана поддержка английского языка. Модель не генерирует изображения, а ответы могут содержать фактические ошибки. Её не следует использовать для решений с высокими последствиями для людей. Лицензия — Apache 2.0.

mohammadalihumayun/trocr-ur-v2 — дообученная модель распознавания текста на изображениях на урду. Она использует архитектуру vision-encoder-decoder и предназначена для OCR: на вход принимает изображение с текстом, на выходе генерирует его текстовую расшифровку. В метаданных указаны библиотека Transformers и формат весов safetensors. На тестовом наборе в README приведены значения loss 2,2939 и CER 0,2622; набор данных не описан. Модель может применяться для распознавания урду в изображениях и сканах, однако карточка не раскрывает ограничения по качеству, условиям съёмки или способам использования. Сведения о лицензии отсутствуют в предоставленных данных.

VARCO-VISION-14B — мультимодальная модель NC Research, разработанная командой Multimodal Generation Team. Это англо-корейская модель для работы с изображениями и текстом, построенная по архитектуре LLaVA-OneVision на основе Qwen/Qwen2.5-14B-Instruct и визуального энкодера google/siglip-so400m-patch14-384. Модель содержит 14 млрд параметров, принимает одно изображение вместе с текстовым запросом и генерирует текстовый ответ. Контекст — до 32 768 токенов. Модель предназначена для диалога по изображениям, распознавания текста на изображениях (OCR), локализации объектов и ответов на вопросы об объектах с учётом их расположения. Для задач grounding и referring можно задавать специальные маркеры, связанные с объектами и ограничивающими рамками. README сообщает о четырёх этапах обучения: предварительном выравнивании признаков, базовом и расширенном supervised fine-tuning и оптимизации предпочтений. Модель поддерживает английский и корейский языки. README указывает, что версия 2.0 выпущена и рекомендует использовать её вместо этой версии; демо больше недоступно. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Разработчики обозначают модель как предназначенную для исследований.

lhabacuc/vMiniCPM-V-4.6 — мультимодальная модель для понимания изображений и видео, основанная на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Она принимает визуальные данные вместе с текстовым запросом и формирует текстовый ответ; поддерживает диалог и интерфейс вызова инструментов. Смешанное сжатие визуальных токенов в режимах 4× и 16× позволяет выбирать между детализацией и скоростью. Модель рассчитана на эффективный запуск, в том числе на мобильных устройствах iOS, Android и HarmonyOS. Она подходит для описания изображений, анализа нескольких изображений и видеопонимания, включая распознавание текста на изображениях. В README заявлена совместимость с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также возможность дообучения через SWIFT и LLaMA-Factory. В репозитории указаны веса safetensors и лицензия Apache-2.0. Для видео README описывает зависимость декодирования от torchcodec; совместимость с некоторыми версиями CUDA может требовать настройки окружения или замены на PyAV. Заявления о производительности приведены разработчиками модели и зависят от задач и условий оценки.

Waqf-AI разработала PaddleOCR Arabic Handwritten OCR — модель распознавания арабского рукописного текста на изображениях. Это дообученная версия PaddlePaddle/PaddleOCR-VL-1.6 на наборе khatt-augmented-arabic-20k-s3, содержащем около 20 тысяч синтетически дополненных изображений арабского рукописного текста. Модель использует архитектуру PaddleOCR-VL и поддерживает диалоговый интерфейс; веса доступны в формате Safetensors. Модель предназначена для преобразования изображений рукописных строк на арабском языке в текст. В карточке приведены результаты оценки на 200 отложенных изображениях: для исходной PaddleOCR-VL-1.6 указаны WER 0,8057 и CER 0,3690, а для дообученной версии заявлены значительные улучшения. Apache-2.0 разрешает использование и распространение модели на условиях этой лицензии. Оценка проведена на ограниченной выборке из того же набора данных, поэтому результаты могут не отражать качество на других почерках и источниках изображений.

Youtu-VL-4B-Instruct-GGUF — мультимодальная vision-language модель, разработанная Tencent на базе Youtu-LLM с 4 млрд параметров. Представленная версия распространяется в формате GGUF и предназначена для локального или эффективного инференса с использованием совместимых инструментов, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы, поддерживая широкий спектр задач компьютерного зрения и мультимодального понимания. Модель предназначена для визуального вопросно-ответного взаимодействия, мультимодального рассуждения и математики, OCR, анализа нескольких изображений, оценки галлюцинаций и задач GUI-агента. Среди vision-centric сценариев заявлены визуальное заземление, классификация изображений, обнаружение объектов, referring segmentation, семантическая сегментация, оценка глубины, подсчёт объектов и оценка позы человека. Архитектурной особенностью является подход Vision-Language Unified Autoregressive Supervision (VLUAS), при котором визуальные и текстовые токены участвуют в едином авторегрессионном обучении через визуальный кодбук. Это позволяет решать плотные задачи зрения и задачи генерации текста без специализированных task-specific модулей. Сильными сторонами модели являются сочетание компактного размера, широкого набора визуальных возможностей и универсальной стандартной VLM-архитектуры. В данной сборке применена GGUF-квантизация с ручным повышением точности отдельных важных слоёв, что может улучшать точность при заданном уровне квантизации, но увеличивает размер файла. README не указывает поддерживаемые языки, размер контекстного окна, точные требования к памяти и количественные результаты отдельных бенчмарков, поэтому эти характеристики нельзя определить по имеющимся данным. Лицензия обозначена как youtu-vl; также указано ограничение доступа для пользователей из Европейского союза.

Donut-IRS-Tax-Docs-Classifier — модель hsarfraz на базе архитектуры Donut с энкодером Swin, дообученная для классификации изображений налоговых документов IRS США. Она распознаёт до 28 типов документов, используемых при подготовке налоговых деклараций; в карточке перечислены формы 1040, W-2 и различные приложения к декларациям. Для инференса README рекомендует изображения размером 1920 × 2560 пикселей. Модель содержит 58,7 млн параметров и распространяется под лицензией MIT. Модель предназначена для автоматической сортировки сканов и изображений налоговых форм перед дальнейшей обработкой. Обучение проводилось на наборе более чем из 3000 документов. Классификатор специализирован на формах IRS США; README не описывает поддержку других типов документов или языков, а также не приводит метрики качества.

sapkotapraful/FullyOCR-2-dev — дообученная с помощью TRL модель на базе unsloth/Qwen3.5-0.8B. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для обработки изображений с формированием текстового ответа. В карточке Hugging Face указана задача image-text-to-text и возможность работы с изображениями. Модель можно применять для извлечения текста и сведений из изображений, а также для вопросов и ответов по визуальным материалам. README содержит пример диалоговой генерации текста, но не описывает специализированные OCR-возможности, обучающие данные, качество распознавания, поддерживаемые языки или длину контекста. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

InternVL3.5-4B-Instruct — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab и предназначенная для диалогового взаимодействия с изображениями и текстом. Это плотная архитектура InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-4B-Pretrained; модель распространяется в формате safetensors и работает через Transformers. Модель подходит для вопросов по изображениям, визуального рассуждения, распознавания текста на изображениях, анализа нескольких изображений и диалоговых сценариев с визуальным контекстом. Семейство InternVL3.5 также заявляет возможности взаимодействия с графическими интерфейсами и агентные сценарии, однако README не уточняет их поддержку именно версией 4B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; контекстное окно и конкретный список поддерживаемых языков для этого чекпойнта не приведены. Авторы описывают для семейства улучшения рассуждений с помощью Cascade RL и ускорение обработки изображений через Visual Resolution Router, но количественные результаты в README относятся к семейству в целом. Модель выпущена под лицензией Apache-2.0. Как и другие мультимодальные генеративные модели, она может ошибаться в визуальных деталях и ответах; заявленные возможности семейства не гарантируют одинакового качества на версии 4B.

OpenGVLab/InternVL3_5-4B-MPO — мультимодальная диалоговая модель семейства InternVL3.5, полученная дообучением InternVL3_5-4B-Instruct с использованием данных MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текст и генерирует текстовые ответы; подходит для вопросов по изображениям, визуального рассуждения и анализа изображений. В README семейство описано как использующее каскадное обучение с подкреплением и динамическую настройку разрешения визуальных токенов; указанная архитектура модели — InternVLChatModel, а формат весов — safetensors. Модель рассчитана на мультиязычные диалоговые сценарии. Репозиторий использует библиотеку Transformers и распространяется по лицензии Apache 2.0. В метаданных не приведены отдельные сведения о размере параметров и длине контекста этой версии.

MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

Карточка модели XiaomiMiMo/MiMo-VL-7B-SFT-2508 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-VL-7B-RL-2508, поэтому описание составлено по ней. MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

Это порт мультимодальной модели Qwen/Qwen3-VL-2B-Instruct в формат Core ML, подготовленный mlboydaisuke для запуска на устройствах Apple. Он принимает текстовые запросы и изображения и формирует текстовые ответы; рассчитан на локальный запуск на iOS 18+ и macOS 15+, включая ускорение на Apple Neural Engine. Модель включает 28-слойную текстовую основу с GQA и визуальный ViT-энкодер; изображения обрабатываются при их наличии в запросе, с фиксированным размером 448×448. Визуальные признаки DeepStack передаются в текстовые слои. Репозиторий содержит INT8-модель, разделённую на Core ML-компоненты. Для работы нужны токенизатор и процессор базовой модели, которые следует получать отдельно. Эта версия использует рекуррентный путь и сохранена для совместимости; автор рекомендует для новых проектов stateful-вариант, которому приписывает меньший расход памяти и более быстрое декодирование. Лицензия — Apache-2.0. Базовая модель поддерживает диалог и анализ изображений и видео, включая OCR, пространственное рассуждение и работу с визуальными интерфейсами; README этой версии описывает текст и изображения.

coder3101/Qwen3-VL-4B-Instruct-heretic — производная модель на основе Qwen/Qwen3-VL-4B-Instruct, подготовленная методом abliteration. Это плотная мультимодальная модель семейства Qwen3-VL с 4 млрд параметров, предназначенная для диалога по тексту и изображениям. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Она подходит для ответов на вопросы по изображениям, визуального рассуждения, распознавания текста на изображениях и других сценариев, поддерживаемых базовой моделью. В README приведено сравнение с исходной моделью: доля отказов в указанной проверке составила 3 из 100 против 91 из 100 у оригинала; это указывает на ослабление склонности к отказам, но не гарантирует качество или поведение на иных запросах. Описание расширенных возможностей Qwen3-VL в README относится к базовой модели и не подтверждает отдельную проверку каждой из них для этой версии. Лицензия — Apache-2.0. Контекст в метаданных не указан; приведённое в README значение 256K относится к описанию базовой модели.

Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — мультимодальная vision-language модель от prithivMLmods, основанная на Qwen3-VL-8B-Instruct от Alibaba. Это GGUF-сборка для запуска через llama.cpp и совместимые инструменты; доступны варианты квантования от Q2_K до Q8_0, а также F16 и отдельные mmproj-файлы для обработки изображений. Модель предназначена для генерации текста по изображениям, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Заявлена поддержка сложных, технических, художественных и чувствительных изображений, видео, различных разрешений, соотношений сторон и макетов. Указаны Interleaved-MRoPE, контекст до 262K токенов и OCR на 32 языках; основным языком работы назван английский, при этом заявлена адаптация к другим языкам с помощью формулировок запросов. Модель содержит около 8 млрд параметров и ориентирована на запуск на GPU с 16–24 ГБ VRAM в форматах BF16/FP8 через Transformers или vLLM, а GGUF-квантизации позволяют выбирать компромисс между размером и качеством. Ключевая особенность версии — удаление механизмов отказа и контентных ограничений, что расширяет область применения для red teaming, исследований безопасности и творческих сценариев, но одновременно повышает риск генерации небезопасного или нежелательного содержимого. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а формат MLX оптимизирован для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и формирование текстовых ответов. Модель основана на Qwen3-VL-8B-Instruct и относится к классу image-text-to-text. Известен размер исходной модели — 8B параметров; поддерживаемые языки, максимальная длина контекста и дополнительные архитектурные характеристики в представленном описании не указаны. Квантизация снижает требования к ресурсам и ориентирована на локальный запуск на Apple Silicon, однако может сопровождаться некоторой потерей точности по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0. Она создана сторонними разработчиками и может генерировать неточные, вредные или неподходящие ответы, поэтому результаты следует проверять перед использованием.

SmolVLM-Base — компактная мультимодальная модель Hugging Face для обработки изображений и текста. Она принимает изображения и текстовые запросы в произвольном сочетании и генерирует текстовые ответы; без изображений может работать как языковая модель. Модель построена на архитектуре Idefics3 с языковой моделью SmolLM2-1.7B-Instruct и визуальным компонентом SigLIP SoViT-400m. SmolVLM-Base подходит для описания изображений, ответов на вопросы по визуальному содержимому, понимания документов, диаграмм и графиков, а также создания историй на основе одного или нескольких изображений. Для кодирования изображения используются 81 визуальный токен на патч 384×384; крупные изображения разбиваются на патчи. Такая схема рассчитана на эффективный вывод и работу на устройствах с ограниченными ресурсами. Модель не генерирует изображения. Основной язык карточки — английский. Модель выпущена под лицензией Apache 2.0. Она может выдавать фактически звучащие, но неточные ответы, поэтому не подходит для критически важных решений, влияющих на благополучие или положение человека.

Glimpse — модель распознавания текста на изображениях строк, разработанная surfiniaburger для арабской и персидской письменности. Это дообученная на базе unsloth/PaddleOCR-VL компактная мультимодальная модель с архитектурой PaddleOCR-VL; карточка также описывает её как ERNIE-4.5-0.3B Vision-Language Model. В метаданных указаны 318,2 млн параметров и контекст 131 072 токена. Модель предназначена для OCR изображений с текстом справа налево, включая строки со сложными лигатурами и разными шрифтами. По данным карточки, после 500 шагов дообучения CER на отложенных RTL-строках составил 6,97% против примерно 59% у исходной модели. Использованы датасет Persian_Arabic_TextLine_Image_Ocr_Medium и QLoRA; заявленные показатели относятся к описанной оценке и не гарантируют качество на других данных. Лицензия — Apache-2.0. Модель рассчитана прежде всего на арабский и персидский языки; данных о поддержке других языков OCR в карточке нет.

Bina 0.1 Koochik GGUF — версия модели для распознавания текста на изображениях, подготовленная Reza2kn в формате GGUF F16 для llama.cpp. Это мультимодальная модель с архитектурой Qwen3.5 и отдельным проектором зрения; README указывает, что комплект включает исправленную среду выполнения для поддержки токенизатора WordLevel модели. Она предназначена прежде всего для локального OCR персидских изображений и может запускаться через Python-лаунчер или веб-интерфейс, в том числе офлайн после загрузки полного комплекта. Карточка описывает проверку на одном персидском фрагменте печатного текста, поэтому она не подтверждает общую точность OCR. Для запуска требуются Python 3.9+, а GPU-режим зависит от Vulkan; в комплекте для macOS доступен только CPU-режим. Лицензия — OpenRAIL.

Модель Isotonic/distilbert-base-german-cased_finetuned_ai4privacy_v2 — дообученная Isotonic версия DistilBERT для немецкоязычной токенной классификации персональных данных. Она предназначена для обнаружения PII в тексте, например перед маскированием или анонимизацией. Модель основана на DistilBERT с архитектурой DistilBertForTokenClassification, принимает текст с контекстом до 512 токенов и доступна в форматах Safetensors и ONNX. На оценочном наборе README приводит precision 0,9086, recall 0,9379, F1 0,9230 и accuracy 0,9679. Обучение выполнено на немецкой части pii-masking-200k. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения.

davelotito/donut-base-sroie-bayesian-optimization — дообученная модель Donut от разработчика davelotito, построенная на naver-clova-ix/donut-base. Это vision-encoder-decoder для преобразования изображений документов в текст; название указывает на настройку для SROIE, набора данных по извлечению информации из чеков. В метаданных указан тип задачи image-text-to-text и поддержка обработки изображений. Модель может применяться для извлечения текста и структурированных сведений из изображений чеков. Указана лицензия MIT. В карточке приведены метрики оценки: loss 0.1396, BLEU 0.0196, CER 0.8584 и WER 1.0. Эти результаты указывают на существенные ошибки распознавания на приведённой оценке; сведений о наборе данных и протоколе оценки недостаточно, чтобы переносить метрики на другие сценарии.

Huihui-MiniCPM-V-4.6-Thinking-abliterated — производная мультимодальная модель от openbmb/MiniCPM-V-4.6-Thinking, созданная Huihui AI методом abliteration, который снижает склонность модели отказываться от ответов. Это экспериментальная версия, обозначенная разработчиком как грубая proof-of-concept реализация. Модель предназначена для диалогов и ответов на вопросы по изображениям и видео, включая OCR и визуальные математические задачи, унаследованные от базовой модели. Поддерживает обработку изображений и текстовые ответы; репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку transformers. В карточке указана архитектура MiniCPMV4_6ForConditionalGeneration и интерфейс диалога с инструментами. Снижение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3-VL-2B-Thinking-abliterated — дообученная версия мультимодальной модели Qwen3-VL-2B-Thinking от huihui-ai. Разработчик применил abliteration к текстовой части модели, чтобы снизить количество отказов; визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалогового анализа изображений и визуальных вопросов, включая OCR и рассуждения по содержимому изображения. Модель построена на плотной архитектуре Qwen3-VL и распространяется в формате safetensors для библиотеки Transformers. В карточке также приведён сценарий запуска через Ollama. Лицензия — Apache-2.0. Изменение снижает защитную фильтрацию и может приводить к чувствительным, спорным или неподходящим ответам; результаты следует проверять. Автор отмечает проблемы качества у GGUF-файлов и сообщает об обновлении модели.