I.4Обработка документов и форм

Карточка модели 8u113t/Unlimited-OCR на Hugging Face совпадает с карточкой lenhattruong165/orc-deepseek-unli, поэтому описание составлено по ней. Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR, представленная авторами проекта в июне 2026 года. Она предназначена для распознавания текста на изображениях и длинного разбора документов за один проход, включая сценарии с преобразованием страниц PDF в изображения. В карточке указаны 559,7 млн параметров, архитектура UnlimitedOCRForCausalLM, контекст 32 768 токенов и работа через Transformers; README также описывает поддержку запуска в vLLM и SGLang. Модель принимает изображения и текстовые запросы, а результат выдаёт в виде текста. Метаданные отмечают мультиязычную поддержку, но конкретные языки не перечисляют. Лицензия — MIT. Карточка связывает модель с Deepseek-OCR, однако точный идентификатор базовой модели не указан.

Unlimited-OCR — мультимодальная модель оптического распознавания символов, разработанная авторами проекта при поддержке команды Baidu Cloud. Она предназначена для распознавания и разбора текста на изображениях, в том числе для длинных документов и сценариев, где требуется обработать содержимое за один проход. Модель имеет плотную архитектуру UnlimitedOCRForCausalLM и содержит 559,7 млн параметров; заявленное контекстное окно — 32 768 токенов. Поддерживает работу через Transformers, vLLM и SGLang. Модель принимает изображения и формирует текстовый результат, а также может использоваться для генерации текста. Карточка характеризует её как мультиязычную, но конкретные языки не перечислены. Репозиторий распространяется в формате safetensors по лицензии MIT. Практические требования включают совместимое GPU-окружение; README приводит конфигурации на базе CUDA.

Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

Карточка модели mikoy92/Unlimited-OCR-bf16-mlx на Hugging Face совпадает с карточкой emee-ai/Unlimited-OCR-bf16-mlx, поэтому описание составлено по ней. Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

Модель see-k/unsloth_finetune — дообученная see-k версия DeepSeek-OCR, обученная с использованием Unsloth и библиотеки TRL от Hugging Face. Это мультимодальная модель семейства DeepseekOCR с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Она предназначена для работы с изображениями и текстом в сценариях распознавания текста и извлечения содержимого из изображений документов; также поддерживает диалоговый режим. Указанная длина контекста — 8192 токена. Репозиторий содержит веса в форматах safetensors и GGUF F16. Лицензия — Apache-2.0.

ATH-MaaS_OvisOCR2-GGUF — это квантизированная GGUF-версия мультимодальной модели OvisOCR2, разработанной ATH-MaaS. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для оптического распознавания символов и разбора документов по изображениям, включая преобразование содержимого в Markdown, обработку таблиц и формул. Она относится к классу image-text-to-text и может применяться в сценариях автоматического извлечения текста и структуры из документов. Модель поддерживает мультимодальный ввод, однако README не указывает её точную архитектуру, число параметров, поддерживаемые языки и размер контекстного окна. Доступны варианты от BF16 до различных уровней квантизации, примерно от 0,48 до 1,52 ГБ. Более качественными считаются варианты Q5–Q8, тогда как Q2–Q3 экономят память ценой снижения качества. Файлы рассчитаны на запуск через llama.cpp и совместимые инструменты, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. К сильным сторонам относятся специализация на OCR и разборе документов, поддержка таблиц и формул, а также широкий выбор квантизаций для устройств с разным объёмом памяти. Ограничения связаны с возможной потерей качества в низкобитных вариантах и отсутствием в README подробных сведений о языках, производительности и рекомендуемых аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

Chandra OCR 2 NVFP4A16 — это неофициальная community-квантизация модели datalab-to/chandra-ocr-2, подготовленная пользователем dangvansam. Модель предназначена для OCR документов и PDF с сохранением структуры и разметки, включая преобразование содержимого в Markdown и обработку макета страниц. Это мультимодальная vision-language модель, принимающая изображения страниц и текстовые инструкции; поддерживает работу через vLLM с OpenAI-совместимым API и через Transformers. Вариант использует квантизацию NVFP4A16: веса линейных слоёв представлены в 4-битном формате NVFP4, а активации — в FP16. Vision tower, lm_head и отдельные компоненты attention сохранены в FP16/BF16. Размер упакованных весов составляет около 11 ГБ. Максимальная длина контекста в рекомендованной конфигурации vLLM — 16 384 токена. Основное преимущество варианта — высокая скорость при параллельной постраничной обработке на GPU архитектуры Blackwell: в приведённом тесте достигнуто около 5058 мс на страницу, что в 2,5 раза быстрее базовой версии BF16. Для последовательной обработки одного документа преимущество может быть ниже, и в README рекомендуется FP8_DYNAMIC. Модель лучше всего подходит для пакетного OCR с одновременной обработкой страниц на Blackwell GPU, включая RTX PRO 6000, B100/B200 и RTX 5090. На Hopper она запускается медленнее через программную эмуляцию, а для Ada и более старых архитектур этот формат не рекомендуется. Для работы через vLLM требуется версия не ниже 0.19.1. Модель наследует лицензию OpenRAIL-M исходной модели: разрешены исследовательское и личное использование, а также использование стартапами с доходом менее 2 млн долларов; применение в конкурирующих с API Datalab продуктах запрещено. Для более широкого коммерческого использования предлагается обратиться к условиям Datalab.

Conditional DETR с backbone ResNet-50, дообученная Tech4Humans для обнаружения рукописных подписей на изображениях документов. Модель принимает изображение документа и возвращает ограничивающие рамки объектов подписи. Она создана на основе microsoft/conditional-detr-resnet-50 и распространяется в формате safetensors; в метаданных указано 6,3 млн параметров. Обучение проводилось на наборе из 2 819 изображений документов с разметкой координат подписей, собранном из Tobacco800 и signatures-xc8up. В README для Conditional DETR приведён результат mAP@0.5 около 93,65% в сравнении архитектур; показатели в других таблицах относятся к отдельным экспериментам и моделям YOLO, поэтому их нельзя напрямую считать характеристиками этого чекпойнта. Модель предназначена для поиска областей подписей в потоке обработки документов. Лицензия — Apache-2.0.

Это адаптированная для запуска и дообучения в актуальной версии Transformers копия DeepSeek-OCR-2 от Unsloth. Она основана на DeepSeek-OCR-2 от DeepSeek и использует плотную архитектуру Deepseek-VL-v2 с классом DeepseekOCR2ForCausalLM; в репозитории указано 559,7 млн параметров и формат safetensors. Изображения обрабатываются с динамическим разрешением: карточка описывает режим с несколькими кадрами 768×768 и дополнительным изображением 1024×1024. Контекст модели составляет 8192 токена. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии обработки PDF. Для запуска README приводит конфигурацию на базе Transformers и NVIDIA GPU; также упоминается ускорение инференса через vLLM. Поддерживается многоязычное применение, однако конкретный перечень языков не приведён. Заявлено, что адаптация загрузки не меняет точность. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных ограничений; для указанного сценария требуются GPU и зависимости из инструкции по запуску.

Это модель rhovhannisyan/dmr-invoice-extractor — вариант Donut, дообученный на извлечении полей из изображений счетов-фактур. Она принимает изображение документа и генерирует текстовые значения для типа документа, валюты, даты, валовой и чистой суммы, суммы налога, номера счета, номера заказа и страны кредитора; для документов, не являющихся счетами, тип документа может быть «Other». Архитектура VisionEncoderDecoderModel сочетает визуальный энкодер Swin Transformer и текстовый декодер BART. Модель обучена примерно на нескольких тысячах размеченных счетов и документов других типов из разных стран и на разных языках; ожидаются одностраничные документы. Разрешение входа — 1280×1920 пикселей, а сканирование с плотностью выше 150 dpi, согласно карточке, не даёт дополнительной пользы. Модель предназначена для автоматизации извлечения реквизитов из счетов и первичной обработки документов. Данные обучения проприетарные, а метрика валидации приведена без пояснения шкалы, поэтому её нельзя напрямую трактовать как точность. Лицензия CC BY-NC-SA 4.0 требует атрибуции, ограничивает коммерческое использование и предписывает распространять адаптации на тех же условиях.

mradermacher/dots.ocr-GGUF — это GGUF-квантизированная версия мультимодальной модели dots.ocr, разработанной dots-studio и конвертированной в GGUF пользователем mradermacher. Модель предназначена для распознавания текста на изображениях и разбора документов с учетом структуры, включая анализ макета, таблиц и математических формул. Модель поддерживает работу с текстом и изображениями, заявлена для английского, китайского и других многоязычных сценариев. Точные сведения об архитектуре, количестве параметров и размере исходной модели в README не указаны. Доступны варианты квантизации GGUF от Q2_K до Q8_0, а также F16; размеры файлов составляют примерно от 0,9 до 3,7 ГБ. Для мультимодального ввода предусмотрены дополнительные файлы mmproj-Q8_0 и mmproj-f16. К сильным сторонам относятся специализированная обработка документов, поддержка структуры страниц, таблиц и формул, а также возможность выбора между компактностью, скоростью и качеством через разные варианты квантизации. Более низкие уровни квантизации могут снижать качество распознавания, а для работы с изображениями требуется совместимый мультимодальный проектор и программная среда с поддержкой GGUF. Модель распространяется по лицензии MIT.

Это подготовленная для CPU версия Falcon-OCR v1.5 от amazingvince, основанная на дообученной модели tiiuae/Falcon-OCR. Она предназначена для распознавания текста на изображениях страниц документов через Rust CPU runner; репозиторий содержит веса в формате safetensors, разложенные под вычислительные ядра этого runner, и не является checkpoint-ом для Transformers. Доступны режим near-exact с 16-битными весами и KV-кэшем, а также fast с 8-битной GPTQ-квантизацией. Дополнительная EAGLE-3-подобная draft head ускоряет декодирование спекулятивным поиском, не меняя подтверждённые токены. Модель работает на x86-64 с AVX2 или AVX-512, ARM64 с NEON и имеет скалярный запасной вариант. На английских печатных документах README сообщает о близком совпадении near-exact с FP32; fast режим быстрее, но на рукописных и ухудшенных сканах может вызывать циклы повторов. Описанные замеры относятся к ограниченным наборам страниц и не гарантируют такое же качество на других данных. Лицензия репозитория — Apache-2.0.

mlx-community/GLM-OCR-bf16 — конвертированная в формат MLX версия мультимодальной модели GLM-OCR, подготовленная mlx-community на основе zai-org/GLM-OCR. Она предназначена для распознавания текста на изображениях и может применяться для извлечения содержимого из сканов и фотографий документов. Базовая GLM-OCR ориентирована также на распознавание формул и таблиц, разбор документов и извлечение структурированных данных. Модель использует плотную архитектуру GLM-OCR и класс GlmOcrForConditionalGeneration. В карточке указаны языки китайский, английский, французский, испанский, русский, немецкий, японский и корейский. Репозиторий содержит веса safetensors; README описывает конвертацию для MLX с помощью mlx-vlm 0.3.11. Лицензия — MIT. Модель принимает изображения и выдаёт текст. Подробности о размере и длине контекста в предоставленных данных отсутствуют. Указанная задача Hugging Face — image-to-text; характеристики сверх неё и краткого описания базовой модели относятся к исходной GLM-OCR и не раскрыты в этой карточке.

Granite Vision 3.2 2B — компактная мультимодальная модель IBM для понимания изображений и текста. Она предназначена прежде всего для обработки визуальных документов в корпоративных сценариях: извлечения сведений из таблиц, диаграмм, инфографики и графиков, OCR и ответов на вопросы по содержимому документов; также поддерживает общие задачи понимания изображений. Модель дообучена на базе ibm-granite/granite-3.1-2b-instruct. Архитектура сочетает визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct; используется подход LLaVA с многослойными признаками энкодера и повышенным разрешением сетки AnyRes. Для текстовой части заявлен контекст 128 тысяч токенов. На вход принимает английские инструкции и изображения, на выходе формирует текстовые ответы. Выпущена под лицензией Apache 2.0. Модель компактна и по приведённым в карточке оценкам показывает сильные результаты на DocVQA и ChartQA среди сравниваемых моделей размером 1–4 млрд параметров. Она может ошибаться, галлюцинировать, выдавать предвзятые или небезопасные ответы; карточка рекомендует преимущественно документные задачи и отмечает повышенные риски для более общих задач с изображениями.

Карточка модели Pq234/Kimi-VL-A3B-Instruct на Hugging Face совпадает с карточкой moonshotai/Kimi-VL-A3B-Instruct, поэтому описание составлено по ней. Kimi-VL-A3B-Instruct — открытая мультимодальная модель Moonshot AI для понимания изображений, видео и текста. Она объединяет языковую модель с архитектурой Mixture-of-Experts, визуальный энкодер MoonViT с обработкой изображений в исходном разрешении и MLP-проектор. Всего модель содержит 16 млрд параметров, при генерации активирует около 3 млрд; контекстное окно — 128 тыс. токенов. Модель предназначена для диалогов с визуальными данными, распознавания текста на изображениях, анализа длинных документов и видео, понимания нескольких изображений и выполнения агентных задач по скриншотам. Поддерживает ввод текста, изображений и видео и выдаёт текстовые ответы. В README приведены результаты на задачах OCR, визуального понимания и взаимодействия с агентами; для сложных рассуждений, включая математику, разработчики рекомендуют вариант Kimi-VL-A3B-Thinking. Модель распространяется по лицензии MIT. Для запуска доступны веса в формате safetensors и библиотека Transformers. README рекомендует температуру 0,2 для Instruct-варианта. Указанные результаты основаны на бенчмарках разработчиков; качество может зависеть от задачи и настроек инференса.

metythorn/Konai-OCR — модель распознавания текста на изображениях, опубликованная в формате ONNX. README называет её моделью распознавания текста и указывает ViTOCR; метаданные классифицируют её как image-to-text и отмечают архитектурные признаки vision и transformer. Модель предназначена для извлечения текста из изображений с помощью инференса через ONNX Runtime. README упоминает использование Python-библиотек Pillow, PyTorch, torchvision и NumPy, но не приводит сведения о размере модели, поддерживаемых языках, контекстном окне или оценках качества. Лицензия — Apache-2.0.

Nanonets-OCR2-3B-GGUF — это квантизированная GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной nanonets. Квантизацию выполнил mradermacher. Модель предназначена для задач оптического распознавания символов, преобразования изображений в текст, конвертации PDF в Markdown и визуального ответа на вопросы (VQA). Модель поддерживает мультимодальный ввод: для работы используются файл модели GGUF и дополнительный multimodal supplement mmproj. Доступны варианты с разными уровнями квантизации — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 1,4 до 6,3 ГБ, без учета или с учетом дополнительного multimodal-компонента в зависимости от конфигурации. Заявлена поддержка многоязычных сценариев, однако конкретный перечень языков и размер контекстного окна в README не указаны. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между размером, скоростью и качеством, а также наличие специализированных OCR- и image-to-text-сценариев. Более легкие варианты подходят для экономии ресурсов, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Сведения о лицензии базовой модели и квантизированной версии в README отсутствуют, поэтому условия использования необходимо уточнять отдельно.

olmOCR-2-7B-1025-FP8 — мультимодальная модель для оптического распознавания документов, разработанная Allen Institute for AI (Ai2). Она дообучена на базе Qwen2.5-VL-7B-Instruct с использованием набора данных olmOCR-mix-1025 и дополнительно оптимизирована методом GRPO для обработки математических формул, таблиц и других сложных случаев OCR. Версия FP8 квантизована с помощью llmcompressor. Модель предназначена для преобразования изображений страниц документов, включая PDF, в структурированный текст. Она подходит для распознавания научных статей, старых сканов, многостолбцовых документов, таблиц, колонтитулов и мелкого текста. Рекомендуемый сценарий использования — через olmOCR toolkit, который выполняет рендеринг, поворот и повторную обработку страниц и поддерживает масштабный инференс с помощью vLLM. На вход подаётся одно изображение документа; рекомендуемый размер — 1288 пикселей по длинной стороне. README указывает английский язык модели. Ключевые характеристики: визуально-языковая архитектура на основе Qwen2.5-VL-7B-Instruct, около 7 млрд параметров, обработка изображений и текста, FP8-квантизация. По данным olmOCR-Bench, общий результат составляет 82,4 ± 1,1. Ограничения включают зависимость качества от корректного рендеринга, ориентации и подготовки промпта, а также специализацию прежде всего на OCR документов; сведения о контекстном окне в README не указаны. Модель распространяется по лицензии Apache 2.0 и предназначена для исследовательского и образовательного использования в соответствии с принципами Responsible AI Ai2.

PP-OCRv3_mobile_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv3_rec и предназначена для использования как распознающий модуль в OCR-системах и конвейерах обработки документов. Модель основана на архитектуре SVTR, адаптированной для промышленного применения; в серии PP-OCRv3 она заменила CRNN. Она распознаёт строки на китайском и английском языках, с основным фокусом на китайский. Конвейер PP-OCRv3 может объединять распознавание с обнаружением текста, коррекцией ориентации и выравниванием изображений, но эти возможности относятся к конвейеру в целом, а не только к данной модели. Модель подходит для извлечения текста из изображений документов и других сцен с печатными строками. В README лицензия не описана, а метаданные указывают Apache-2.0. Результат распознавания может быть неверным; в приведённой оценке строка считалась ошибочной при любой неверно распознанной букве или знаке пунктуации.

PP-OCRv5_server_rec — модель распознавания текстовых строк, разработанная командой PaddleOCR и распространяемая в формате ONNX для запуска через ONNX Runtime. Она преобразует изображения отдельных строк текста в текст и относится к задачам OCR с pipeline-тегом image-to-text. Модель предназначена для распознавания упрощённого и традиционного китайского, английского и японского текста, включая печатный и рукописный текст, вертикальные строки, пиньинь, редкие символы, древние тексты, искажённый, повёрнутый и художественно оформленный текст. По данным README, модель демонстрирует особенно высокие результаты на печатном китайском и английском, пиньине, повёрнутом и искажённом тексте; для рукописного, древнего и художественного текста точность ниже. Модель подходит для серверного распознавания строк в документах, сканах, изображениях и других OCR-конвейерах. Оценка выполнялась по принципу полного совпадения строки: ошибка хотя бы в одном символе или знаке пунктуации делает всю строку ошибочной, поэтому приведённые показатели не следует трактовать как посимвольную точность. Лицензия Apache-2.0.

Это версия модели распознавания текста PP-OCRv6 medium, подготовленная автором mikoy92 для запуска с библиотекой MLX и mlx-vlm. Она принимает изображения и распознаёт содержащийся на них текст; базовая модель разработана PaddlePaddle. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0. Модель рассчитана на распознавание текста на изображениях, а не на генерацию или перевод текста.

PP-OCRv6_medium_rec_onnx — модель распознавания текста на изображениях из семейства PP-OCRv6, разработанная PaddlePaddle и предназначенная для использования в библиотеке PaddleOCR. Она преобразует визуальное содержимое текстовых областей в последовательность символов и подходит для OCR-сценариев, включая обработку документов и изображений с текстом. Модель представлена в формате ONNX и относится к варианту medium линейки PP-OCRv6. В README указано, что семейство включает модели размером от 1,5 до 34,5 млн параметров, однако точный размер данной модификации не приведён. Заявлена поддержка английского и китайского языков; модель работает с изображениями и выдаёт текст, но сведения о точных архитектурных компонентах, максимальном контексте и ограничениях по размеру входных данных отсутствуют. К сильным сторонам относятся специализация на распознавании текста, интеграция с PaddleOCR и переносимость благодаря формату ONNX. Ограничения и показатели качества для данной версии в README не указаны, поэтому её производительность на конкретных типах изображений следует проверять отдельно. Модель распространяется по лицензии Apache 2.0.

PP-OCRv6_small_rec_onnx — модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: извлечения текстового содержимого из изображений и последующего преобразования его в текст. Модель распространяется в формате ONNX и ориентирована на распознавание английского и китайского языков. В README заявлено семейство PP-OCRv6, однако точная архитектура, количество параметров, размер контекста и другие детальные характеристики именно этой версии не указаны. Название small указывает на компактный вариант, но его размер в параметрах также не приведён. Модель может использоваться в прикладных OCR-сценариях, где требуется автоматическое распознавание текста на изображениях. Сильными сторонами являются специализированная направленность на OCR, поддержка английского и китайского языков и формат ONNX, удобный для интеграции с совместимыми средами выполнения. Ограничения связаны с отсутствием в предоставленных данных подробностей о точности, поддерживаемых типах изображений и производительности. Модель распространяется по лицензии Apache 2.0.

Карточка модели 6chongbin/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

Карточка модели tiensi/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

Qwen3-VL-30B-A3B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Репозиторий содержит отдельно веса языковой модели и vision encoder в форматах FP16, Q8_0 и Q4_K_M для языковой части и FP16, Q8_0 для vision encoder. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, поддерживающие GGUF, на CPU, NVIDIA GPU, Apple Silicon, Intel GPU и совместимом оборудовании. Модель работает с текстом и визуальными данными, включая изображения и видео. Она предназначена для понимания и генерации текста, визуального восприятия и рассуждений, OCR, анализа документов, пространственного анализа, распознавания объектов, видеоаналитики, визуального программирования, генерации Draw.io/HTML/CSS/JS по изображениям и взаимодействия с графическими интерфейсами и инструментами. Заявлена поддержка контекста 256K токенов с возможностью расширения до 1M, а OCR поддерживает 32 языка. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками для улучшения анализа изображений и видео. К сильным сторонам относятся мультимодальное рассуждение, обработка длинного контекста, понимание пространственных отношений и видеодинамики, расширенное OCR и возможность выбора точности компонентов в зависимости от оборудования. Ограничения связаны с требованиями к памяти и вычислительным ресурсам, которые зависят от выбранной точности и конфигурации, а также с необходимостью использовать актуальную версию совместимого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Instruct-GGUF — мультимодальная модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-32B-Instruct в формате GGUF: языковую часть в вариантах FP16, Q8_0 и Q4_K_M и vision encoder в вариантах FP16 и Q8_0. Модель предназначена для обработки текста и изображений, а также для понимания видео, включая визуальные вопросы и ответы, OCR, анализ документов, пространственное рассуждение, STEM-задачи, визуальное программирование и взаимодействие с графическими интерфейсами через инструменты. Ключевые возможности включают расширенное визуальное восприятие, распознавание объектов и текста, анализ пространственных отношений, понимание длительных видеопоследовательностей и генерацию кода или разметки по изображениям и видео. Заявлен нативный контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона. OCR поддерживает 32 языка. В архитектуре используются Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками, улучшающие обработку пространственных, временных и мелких визуальных деталей. Модель совместима с llama.cpp, Ollama и другими инструментами экосистемы GGUF и может запускаться на CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Разные уровни точности позволяют выбирать компромисс между качеством, скоростью и требованиями к памяти, однако модель размером 32B может предъявлять значительные аппаратные требования, а квантование способно снижать точность. Для работы рекомендуется актуальная версия llama.cpp. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-FP8 — мультимодальная instruction-модель семейства Qwen, разработанная командой Qwen. Это FP8-квантизированная версия Qwen3-VL-8B-Instruct с мелкозернистой квантизацией и размером блока 128; согласно README, её показатели почти идентичны исходной версии BF16. Модель предназначена для обработки текста, изображений и видео, генерации ответов по визуальному и текстовому контексту, OCR, анализа документов, пространственного рассуждения, понимания длительных видеоматериалов, визуального программирования и взаимодействия с графическими интерфейсами через инструменты. Заявлены возможности работы с контекстом до 256K токенов с расширением до 1M, временная привязка событий в видео, улучшенное распознавание текста на 32 языках и поддержка задач STEM и математики. Ключевые архитектурные особенности включают Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых признаков ViT и механизм выравнивания текста с временными метками. Ограничение текущей версии заключается в том, что Transformers пока не поддерживает прямую загрузку этих весов; для развёртывания рекомендуются vLLM или SGLang. Модель распространяется по лицензии Apache 2.0.

unsloth/Qwen3-VL-8B-Thinking-unsloth-bnb-4bit — это 4-битная версия мультимодальной vision-language модели Qwen3-VL-8B-Thinking, подготовленная Unsloth на основе модели Qwen/Qwen3-VL-8B-Thinking. Разработчик базовой модели — команда Qwen; Unsloth предоставляет оптимизированное квантование Unsloth Dynamic 2.0. Модель предназначена для понимания и генерации текста с учётом изображений и видео, визуального рассуждения, анализа документов, OCR, STEM- и математических задач, пространственного анализа, а также взаимодействия с графическими интерфейсами и инструментами. Она может использоваться для генерации HTML/CSS/JS и Draw.io по изображениям или видео, распознавания объектов и событий, анализа длинных документов и видео. Архитектура модели — dense, размер — 8B параметров; используется редакция Thinking с усиленным рассуждением. Заявлена поддержка контекста 256K токенов с возможностью расширения до 1M, а также видео с временной индексацией. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. OCR поддерживает 32 языка. Квантование в 4 бита снижает требования к памяти, но может влиять на точность по сравнению с полноразмерными весами. Лицензия — Apache-2.0.