I.4Обработка документов и форм

Donut para boletas peruanas — модель извлечения структурированных данных из изображений печатных чеков Перу. Это экспериментальная низкоресурсная адаптация Donut, разработанная на основе naver-clova-ix/donut-base-finetuned-cord-v2; модель не использует отдельный OCR. Архитектура VisionEncoderDecoderModel сочетает энкодер Donut-Swin с декодером mBART и содержит около 201 млн параметров. На вход подаётся изображение целого чека, на выходе формируется текстовое представление данных для преобразования в JSON: продавец, RUC, дата, номер документа, позиции меню, подытог, IGV и итоговая сумма. Модель рассчитана на прототипы и контролируемые эксперименты с печатными чеками на испанском языке из Перу. Для обучения использовались 140 аннотированных чеков из частного датасета, который не распространяется. В тесте из 20 документов JSON корректно разбирался в 75% случаев, все восемь ключей присутствовали в 50%, а строгой проверке схемы соответствовали 20%; точность извлечения полного списка меню в зарегистрированной оценке составила 0%. Результаты ограничены малым тестовым набором. Лицензия — MIT.

mobilint/Qwen2-VL-2B-Instruct — это квантизированная версия Qwen2-VL-2B-Instruct, разработанная для запуска на NPU-оборудовании Mobilint. Модель с задачей image-text-to-text предназначена для обработки изображений и текста с генерацией текстового ответа, а также для развертывания в стеке аппаратного ускорения Mobilint. В README указано, что базовая модель — Qwen/Qwen2-VL-2B-Instruct, а библиотека интеграции — Transformers. Модель поддерживает английский язык; другие языки, размер контекста, точная архитектура и характеристики квантизации не указаны. Основное преимущество — компиляция и оптимизация под оборудование Mobilint, однако использование ориентировано на соответствующую аппаратную и программную среду, что ограничивает универсальность развертывания. Модель распространяется по лицензии Apache-2.0.

S-MLLMUn Qwen2.5-VL Original — мультимодальный чекпойнт на основе Qwen2.5-VL-7B-Instruct, подготовленный авторами проекта S-MLLMUn. Это исходная дообученная версия модели, использованная в бенчмарке до применения методов забывания данных; она принимает текст и изображения и формирует текстовые ответы. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, контекстом до 128 000 токенов и рассчитана на работу через Transformers. Модель подходит для диалога по изображениям и других задач визуально-языкового понимания, в том числе как исходный чекпойнт для экспериментов по избирательному забыванию мультимодальной информации. Карточка описывает её как версию, дообученную на данных S-MLLMUn. Лицензия в предоставленных данных не указана.

DeepSeek-V4-Flash-Vision-Strix-Halo-GGUF — мультимодальная версия DeepSeek-V4-Flash-Vision-Exp, подготовленная автором репозитория для запуска на AMD Strix Halo (gfx1151) через Ember. Это аблитерированная, откалиброванная по матрице важности GGUF-квантизация с эффективной точностью 2,58 BPW; в комплект входят башня зрения в F16 и черновая модель DSpark. Основная модель занимает около 85,3 ГиБ, а весь набор с башней и черновой моделью — около 96,3 ГиБ в памяти. Модель принимает текст и изображения и отвечает на вопросы о содержимом изображений, включая распознавание текста, подсчёт объектов и пространственные вопросы. Изображения обрабатываются только при наличии отдельной башни зрения и должны быть неинтерлейсными PNG в RGB/RGBA8. README приводит проверки на синтетических и естественных вопросах, но не заявляет поддержки конкретных языков. Для запуска требуется AMD Strix Halo и Ember либо совместимый движок с поддержкой графа deepseek4, типов ROCmFPx и маршрутизации токенов изображения. В README не приведены условия лицензии, а в метаданных указана лицензия other. Это производный экспериментальный артефакт; его пригодность зависит от требуемого оборудования и runtime.

jinen-v1.1-beta — японская модель преобразования каны в кандзи, разработанная Hitoshi Togasaki. Это прототип, подготовленный как GGUF-версия для дальнейшего развития в jinen-v2. Модель предназначена для японского ввода и задач kana-kanji conversion; в карточке указана текстовая генерация и поддержка японского языка. Для работы требуется предварительная NFKC-нормализация входного текста. Рекомендуемый левый контекст составляет 64 символа, а в тестах использовалось окно контекста 1024 токена. Доступны варианты с точностью F16, Q8_0, Q5_K_M и Q4_K_M; их размеры составляют от 72 до 220 МБ. На AJIMEE-Bench модель показала Accuracy@1 79,5–80,0%, или 85,5–86,0% при NFKC-нормализации, с задержкой p50 от 25 до 46 мс и p99 от 87 до 169 мс в зависимости от варианта. Квантованные версии уменьшают размер и задержку при близкой точности, что подходит для локального использования на CPU. Обучающий корпус частично основан на обработанных библиографических данных Национальной парламентской библиотеки Японии; лицензия модели в README не указана, поэтому условия распространения и использования необходимо уточнять отдельно.

Zery/CUA_World_State_Model — дообученная мультимодальная модель на архитектуре Qwen2.5-VL-7B-Instruct, опубликованная Zery. Она предназначена для диалоговых задач с изображениями и текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает изображения и текст, а контекст составляет до 128 000 токенов. Карточка ссылается на статью arXiv и репозиторий GitHub, но не описывает конкретные сценарии или результаты модели. Лицензия — Apache-2.0.

jinen-v2-xsmall — компактная модель для японского кана-кандзи преобразования, представленная в формате GGUF. Модель разработана Hitoshi Togasaki; в составе обучающего корпуса использовались обработанные библиографические данные Национальной парламентской библиотеки Японии и Japan Search. Она предназначена для преобразования японской записи хираганой или другого чтения в результат с кандзи с учётом левого контекста. Модель имеет размер 35,7 млн параметров и поддерживает японский язык. Доступны варианты F16 и квантованные варианты Q8_0, Q5_K_M и Q4_K_M размером примерно от 26 до 72 МБ. Для работы требуется контекст до 1024 токенов; в описанном тесте использовался левый контекст длиной 64 символа. На AJIMEE-Bench точность Accuracy@1 составляет 73,0–74,0%, а после NFKC-нормализации входа — 78,0–79,0%. Заявленная задержка p50 — 11–20 мс в зависимости от варианта. Ключевое ограничение — обязательная NFKC-нормализация промпта, поскольку без неё точность существенно снижается. Модель следует использовать в детерминированном режиме greedy с temperature 0 и top-k 1, применяя специальный формат токенов для входа, результата и левого контекста. Лицензия — CC BY-SA 4.0.

Это GGUF-квантизированная версия SmolVLM2-2.2B-Instruct-Agentic-GUI, разработанной командой smolagents и подготовленной пользователем bartowski. Модель относится к классу vision-language моделей с конвейером image-text-to-text и предназначена для обработки изображений и текста с генерацией текстовых ответов. Название указывает на ориентацию исходной модели на агентные сценарии взаимодействия с графическим интерфейсом, однако подробное описание таких возможностей в README отсутствует. Модель имеет размер 2,2 млрд параметров в исходной версии и распространяется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования, включая Q4, Q5, Q6, Q8 и IQ4; размеры файлов варьируются примерно от 0,99 до 3,63 ГБ. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре, используемых данных, результатах оценки или найденном формате промптов. Основное преимущество этой версии — возможность локального запуска при существенно меньшем размере файлов благодаря квантованию, а также наличие вариантов с разным компромиссом между качеством и требованиями к памяти. При этом квантование может снижать качество по сравнению с исходными весами, особенно у наиболее компактных вариантов, а конкретные ограничения мультимодальной обработки и агентного поведения из представленных данных определить нельзя. Лицензия в README не указана, поэтому условия использования следует уточнять на странице исходной модели и репозитории конкретной версии.

zen3-vl-i1-GGUF — это набор GGUF-квантизаций мультимодальной vision-модели zen3-vl, разработанной zenlm и квантизированной mradermacher. Модель предназначена для задач image-text-to-text, то есть обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В README указана поддержка английского языка и библиотека Transformers. Архитектура, количество параметров, максимальный контекст и точный перечень поддерживаемых форматов изображений не указаны. Репозиторий содержит варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, а также файл imatrix для создания собственных квантизаций. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать в качестве; среди доступных вариантов README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. README не содержит результатов тестирования, поэтому фактическое качество, производительность и ограничения в конкретных сценариях не определены.

Intern-S1-GGUF — набор GGUF-квантизированных версий модели Intern-S1, разработанной командой internlm и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text и может запускаться локально через llama.cpp, LM Studio и другие проекты на базе llama.cpp. README не содержит подробностей об исходной архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Доступны варианты квантования от Q8_0 до Q2_K и IQ2/IQ3/IQ4, с размером файлов примерно от 65,62 до 249,95 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, но требуют больше памяти; автор рекомендует, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Некоторые варианты используют Q8_0 для весов embeddings и output, а отдельные форматы ориентированы на особенности ARM, AVX или Apple Silicon. При этом конкретные модальности, языки, характеристики производительности и ограничения исходной модели в карточке не раскрыты. Лицензия в README не указана. Формат prompt также не предоставлен, поэтому его рекомендуется уточнять на странице исходной модели internlm/Intern-S1.

Mungert/Magma-8B-GGUF — это 8-миллиардная версия модели Magma, представленная в формате GGUF для использования с совместимыми средствами инференса, включая llama.cpp. По метаданным репозитория модель относится к классу image-text-to-text и предназначена для задач, объединяющих обработку изображений и генерацию текста. Разработчик базовой модели и точные сведения о её архитектуре в README не указаны; репозиторий идентифицирован как Mungert/Magma-8B-GGUF. Доступны варианты с точностью BF16 и F16, а также квантованные версии Q8_0, Q6_K, Q4_K и IQ3. Они позволяют выбирать между качеством, скоростью и требованиями к памяти: полноформатные варианты подходят для оборудования с поддержкой BF16 или FP16, а квантованные — для CPU и систем с ограниченной VRAM. README также указывает, что модель была сгенерирована с использованием llama.cpp, commit 5e7d95e2. Сильной стороной модели является наличие нескольких вариантов представления, включая экономичные квантованные сборки. При этом README не содержит достоверных данных о поддерживаемых языках, размере контекстного окна, конкретных сценариях применения, результатах оценки, требованиях к изображениям или ограничениях качества. Лицензия указана как MIT.

Jedi-7B-1080p-GGUF — это квантизированная версия модели Jedi-7B-1080p, разработанной xlangai и опубликованной в формате GGUF пользователем bartowski. По метаданным модель относится к классу image-text-to-text и предназначена для задач, в которых на вход подаются изображения и текст, а на выходе генерируется текст. README указывает английский язык и использование через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных BF16-весов размером 15,24 ГБ до квантизаций Q8_0, Q6_K, Q5_K, Q4_K и IQ3/IQ4 с размером примерно от 3,11 до 8,10 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp версии b5524. Рекомендуемым вариантом по соотношению качества и размера назван Q4_K_M, а более качественными — Q5 и Q6. Точный тип базовой архитектуры, размер контекстного окна и требования к видеопамяти или оперативной памяти в README не указаны. Сильными сторонами являются широкий выбор уровней квантизации, возможность локального запуска и поддержка экосистемы llama.cpp. Ограничения связаны с тем, что низкобитные варианты могут заметно уступать более крупным по качеству, а сведения о возможностях распознавания изображений, качестве на конкретных сценариях и полном наборе поддерживаемых языков отсутствуют. Модель распространяется по лицензии Apache-2.0.

DraconicDragon/ToriiGate-0.5-GGUF — это набор GGUF-квантизированных версий мультимодальной модели Minthy/ToriiGate-0.5, подготовленный для запуска с помощью llama.cpp. Исходная модель разработана Minthy, а данный репозиторий содержит её квантизованные варианты и использует релиз llama.cpp b8720. Модель предназначена для задач image-text-to-text, то есть для обработки изображений и генерации текстовых ответов на их основе. В README указано, что модель поддерживает английский язык и мультимодальный ввод с использованием изображения и текста. Конкретные сведения об архитектуре, количестве параметров, длине контекста и точных доступных вариантах квантования не приведены; упоминается протестированный вариант Q4KM с vision encoder в формате Q8. Сильной стороной модели является возможность локального запуска в GGUF через llama.cpp при сниженных требованиях к ресурсам по сравнению с полной версией. Ограничения включают зависимость качества и скорости от выбранного уровня квантования, а также отсутствие подробных характеристик и результатов тестирования в представленном README. Модель распространяется по лицензии MIT. Для использования рекомендуется учитывать совместимость с llama.cpp и корректным chat template, включённым в обновлённые GGUF-файлы.

cameltech разработала japanese-gpt-1b-PII-masking на основе предварительно обученной японской GPT-модели с 1 млрд параметров. Это плотная авторегрессионная модель семейства GPT-2, дообученная для маскирования персональных данных в японском тексте. В README явно названы имена, даты рождения и номера телефонов; также упомянуты ещё пять типов данных, но их названия в доступном тексте не раскрыты. Модель предназначена для генерации японского текста с заменой обнаруженных персональных данных на теги. Она принимает текст, поддерживает японский язык и имеет контекст длиной 1024 токена. Опубликована в формате safetensors и доступна по лицензии MIT. Карточка описывает узкую задачу маскирования, однако в метаданных указана общая задача text-generation. Качество маскирования и точный перечень всех типов персональных данных не приведены; результаты следует проверять перед использованием для защиты конфиденциальной информации.

DevQuasar/meta-models.Muse-Glimmer-30B-GGUF — это квантованная версия модели meta-models/Muse-Glimmer-30B, подготовленная в формате GGUF. В карточке указано, что исходная модель разработана проектом meta-models, а версия размещена проектом DevQuasar. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые характеристики исходной модели, включая архитектуру, точный размер, поддерживаемые языки и длину контекста, в README не указаны; обозначение 30B присутствует только в названии модели. Сведения о сильных сторонах, ограничениях, лицензии и условиях использования также отсутствуют, поэтому их нельзя достоверно оценить по предоставленным данным.

Это языковая модель RoBERTa для латинского языка, опубликованная пользователем pstroe. Она предназначена для заполнения пропусков в тексте и оценки результатов распознавания рукописного текста (HTR); автор также предлагает использовать её как декодер для архитектуры TrOCR. Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она обучалась на корпусе латинских текстов объёмом около 390 млн токенов, полученном из латинской части CC-100 после очистки и нормализации. Максимальный контекст составляет 514 токенов. Репозиторий содержит веса PyTorch. Модель подходит для языкового моделирования латинских текстов и поддержки экспериментов с распознаванием рукописей. Лицензия в предоставленных данных не указана.

Typhoon-Vision Preview — мультимодальная модель команды Typhoon AI на основе Llama 3 Typhoon v1.5 8B Instruct и визуального энкодера SigLIP; рецепт обучения основан на Bunny от BAAI. Это плотная модель с архитектурой Llama и примерно 7,5 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалогов и ответов на вопросы по изображениям, прежде всего на тайском и английском языках; доступный контекст — 8192 токена. В README версия названа исследовательским превью и отмечена как экспериментальная. В приведённой оценке она показывает результаты на MMBench, POPE и GQA, включая тайскую версию GQA. Модель может неточно следовать инструкциям и галлюцинировать; у неё нет механизмов модерации, поэтому ответы могут быть вредными или неприемлемыми. Лицензия — Llama 3 Community License.

AfriGuard-AfriqueQwen3.5-4B — дообученная модель israel на базе McGill-NLP/AfriqueQwen3.5-4B с использованием набора данных afriguard. Это плотная модель семейства Qwen3.5 с 4 млрд параметров, предназначенная для диалогов с изображениями и текстом; карточка указывает возможности чата и обработки изображений. Подходит для сценариев, где нужно передать изображение и получить текстовый ответ. Карточка не описывает конкретные задачи набора afriguard, языки дообучения или результаты оценки, поэтому назначение AfriGuard и её преимущества сверх мультимодального чата уточнить нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other; конкретные условия использования по карточке определить нельзя.

IAD-X1-SFT-answer-last2 — мультимодальная модель Qwen, дообученная автором minsu0567 на базе Qwen/Qwen3.5-4B с использованием набора PA_SFT_2_answer_last2. Модель предназначена для диалоговых задач с изображениями и текстом; карточка не уточняет целевую предметную область или конкретный сценарий обучения. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; веса опубликованы в формате safetensors и рассчитаны на Transformers. По данным базовой модели, Qwen3.5-4B поддерживает диалог, понимание изображений, рассуждения и вызов инструментов, однако карточка этой версии не сообщает, какие из этих возможностей проверялись после дообучения. Лицензия указана как other, без уточнения условий.

VAD for Qwen3.5-4B — мультимодальная модель для понимания изображений, разработанная на базе Qwen3.5-4B. Это объединённый чекпойнт Visual Attribution Distillation с обучением по симметричной дивергенции Йенсена—Шеннона; в README указан шаг global_step_80 и средняя оценка 78,32 по шести бенчмаркам Vision-OPD. При обучении метод выделяет вклад визуальных свидетельств в ответы учителя, а при использовании модель принимает одно изображение и работает на стандартной архитектуре Qwen3.5-4B. Модель предназначена для мультимодального диалога, тонкого визуального анализа и ответов на вопросы по изображениям, в частности для исследовательских экспериментов с on-policy distillation. Базовая модель имеет 4 млрд параметров; контекст в примере оценки и настройки сервинга составляет до 32 768 токенов. В README приведены результаты на VStar, ZoomBench и HRBench, однако они относятся к конкретной конфигурации и протоколу оценки. Лицензия — Apache-2.0.

KoLLaVA-KoVicuna-7b — мультимодальная модель семейства LLaVA, разработанная tabtoyou. Она объединяет языковую модель KoVicuna с визуальным энкодером CLIP ViT-14 и обучена на корейских данных с визуальными инструкциями. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Модель содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaForCausalLM, работает через Transformers и принимает контекст длиной до 2048 токенов. Основной язык карточки — корейский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В метаданных основная задача указана как text-generation, хотя модель также обрабатывает изображения.

jinen-v2-small — японская модель преобразования каны в кандзи, разработанная Hitoshi Togasaki и представленная в формате GGUF. Модель предназначена для японского ввода, в частности для преобразования чтения в текст с кандзи, с учётом левого контекста. Поддерживаемый язык — японский; заявленная задача относится к генерации текста, но модель рассчитана на специализированный сценарий конвертации кана–кандзи. Размер исходной модели составляет около 109,5 млн параметров. Доступны варианты GGUF с точностью F16, Q8_0, Q5_K_M и Q4_K_M; их размер — примерно от 72 до 220 МБ. В тесте AJIMEE-Bench точность Accuracy@1 составила до 80,5% без нормализации и до 86,5% после NFKC-нормализации. На CPU с четырьмя потоками задержка p50 находилась в диапазоне 38–61 мс в зависимости от варианта квантования. Контекст запуска в тесте составлял 1024 токена, а левый контекст — 64 символа. Для корректной работы вход необходимо предварительно нормализовать по NFKC; без этого точность существенно снижается. Модель использует специальный формат промпта с токенами начала входа, результата и левого контекста, а декодирование рекомендуется выполнять строго жадным методом с temperature 0 и top-k 1. Архитектура и точный объём контекстного окна самой модели отдельно не указаны. В обучающем корпусе частично использовались обработанные библиографические данные Национальной парламентской библиотеки Японии; библиотека не создавала, не предоставляла и не гарантирует модель. Лицензия — CC BY-SA 4.0.

gosso1/Qwen3.5-4B-Medical-o1 — дообученная gosso1 мультимодальная модель семейства Qwen3.5 на 4 млрд параметров. Она предназначена для диалоговых сценариев с пониманием изображений; метаданные также указывают поддержку вызова инструментов. Модель принимает текст и изображения и генерирует текст, а в карточке Hugging Face основной задачей указан image-text-to-text. Модель основана на unsloth/Qwen3.5-4B и распространяется в формате safetensors по лицензии Apache-2.0. В README сказано, что при обучении использовались Unsloth и библиотека TRL. Название указывает на медицинскую направленность, однако карточка не описывает медицинские задачи или профильные данные обучения, поэтому специализированные возможности в этой области не подтверждены.

Nnoey дообучил модель Gemma 3 4B Instruct на базе unsloth/gemma-3-4b-it-unsloth-bnb-4bit. Это плотная мультимодальная модель с архитектурой Gemma3ForConditionalGeneration, предназначенная для диалогов и обработки изображений с текстом. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Модель подходит для диалоговых сценариев, в которых нужно анализировать изображение и отвечать текстом; README называет её дообученной моделью для работы с петициями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

PixelGPT — официальная контрольная точка авторегрессионной модели, представленная в статье «Autoregressive Pre-Training on Pixels and Texts» (EMNLP 2024). Модель разработана для предобучения на пиксельных данных: она воспринимает документы как изображения и предсказывает следующий фрагмент изображения, не опираясь на токенизацию текста. Архитектура — плотная ErniePixelForCausalLM, размер — 315,9 млн параметров, контекст — 1024 токена. Модель предназначена для генерации и понимания текста, представленного в виде изображения, включая задачи с визуально сложными документами. Веса доступны в формате safetensors. README отсылает к GitHub проекта за инструкциями по использованию. Лицензия в предоставленных данных не указана.

PrivBERT — языковая модель для текстов политик конфиденциальности, разработанная на основе предварительно обученной RoBERTa. Модель дообучена на примерно одном миллионе политик конфиденциальности и предназначена для работы с такими документами; в метаданных указана задача fill-mask, то есть предсказание замаскированных токенов в тексте. Это плотная модель архитектуры RoBERTa с примерно 151,8 млн параметров и контекстом до 514 токенов. Доступны форматы PyTorch и TensorFlow. Карточка не приводит оценки качества, поддерживаемые языки или лицензию, поэтому их нельзя уточнить.

Hanji Parse 4B — модель компьютерного зрения и языка, разработанная Hanji Dev и дообученная на Qwen/Qwen3-VL-4B-Instruct. Она принимает изображение страницы документа и возвращает JSON-массив содержательных блоков: текст с координатами, заголовки, пары «ключ–значение», таблицы в формате GitHub-Flavored Markdown и нетекстовые изображения, например фотографии, диаграммы, штампы и подписи. Модель предназначена для OCR и разбора структуры документов с сохранением расположения элементов. Результат подходит для извлечения текста и областей страницы в последующих системах обработки документов. Для изображений рекомендуется уменьшение до 2 мегапикселей без увеличения, с размерами, кратными 32 пикселям; карточка также рекомендует жадное декодирование и ограничение вывода JSON-схемой. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и поддерживает зрительно-текстовый ввод и текстовый вывод. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. Языковая поддержка и размер контекстного окна в предоставленных данных не указаны.

NuExtract3-W4A16 — это квантизированный вариант NuExtract3, разработанный компанией NuMind. Модель представляет собой унифицированную vision-language модель с примерно 4 млрд параметров для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их комбинацию. Для структурированного извлечения используются JSON-шаблон и инструкции, на выходе формируется JSON; также возможна генерация шаблонов по естественно-языковому запросу или содержимому документа. Модель предназначена для обработки счетов, чеков, форм, договоров, таблиц, сканов и других документов, включая сценарии OCR, подготовки данных для RAG и построения extraction-пайплайнов. Поддерживаются многоязычные документы, режимы вывода с рассуждением и без него, а также преобразование документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Сильными сторонами являются сочетание визуального понимания, OCR, рассуждений и структурированного вывода, а также пригодность для документов со сложной компоновкой, множеством изображений и большим объемом извлекаемых данных. В опубликованном внутреннем тесте NuMind модель NuExtract3.4_4B-RL получила средний балл 0,651 и показала более высокие результаты, чем перечисленные в сравнении модели. Ограничения включают возможные ошибки JSON-сериализации, зацикливание рассуждений у небольших моделей и зависимость качества от сложности документа и объема контекста; конкретный максимальный размер контекста для данной версии не указан. Модель распространяется по лицензии Apache-2.0.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

Chandra OCR 2 — модель оптического распознавания документов от Datalab на архитектуре Qwen 3.5. Она принимает изображения и PDF и преобразует их в Markdown, HTML или JSON с сохранением структуры и расположения элементов страницы. Модель рассчитана на извлечение текста, в том числе рукописного, разбор таблиц, математических выражений, форм и документов со сложной или многоколоночной вёрсткой; также она извлекает изображения и диаграммы и формирует подписи и структурированные данные. В карточке заявлена поддержка более 90 языков. Среди сильных сторон — распознавание таблиц, мелкого текста, рукописного ввода и сложных макетов; опубликованы результаты собственных оценок на olmOCR Bench и многоязычных тестах. Модель распространяется в формате safetensors для Transformers. Код проекта лицензирован Apache 2.0, но веса — по изменённой лицензии OpenRAIL-M: бесплатное использование ограничено исследовательскими и личными целями, а также стартапами с финансированием или выручкой менее 2 млн долларов; конкурентное использование относительно API запрещено, для более широкого коммерческого применения требуется отдельная лицензия.