I.4Обработка документов и форм

fwgpiyawudk/chandra-ocr-2-bf16-mlx — преобразованная для библиотеки MLX версия Chandra OCR 2 от Datalab, предназначенная для распознавания текста и структуры документов по изображениям и PDF. Модель принимает изображения документов и выдаёт текстовое представление; базовая модель поддерживает форматы Markdown, HTML и JSON. В репозитории указаны архитектура Qwen3.5 и формат safetensors. Модель рассчитана на OCR, извлечение структуры и разбор документов. Карточка описывает конвертацию исходной модели через mlx-vlm, а метаданные связывают её с datalab-to/chandra-ocr-2 и указывают лицензию OpenRAIL. Практическое применение и точность зависят от качества входного изображения и возможностей базовой модели. Поддерживаемые языки и ограничения лицензии сверх указанной лицензии OpenRAIL в карточке не раскрыты.

Карточка модели lamm-mit/DeepSeek-OCR на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR, поэтому описание составлено по ней. DeepSeek-OCR — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она предназначена для извлечения текста из визуальных материалов, включая страницы документов; README также указывает поддержку обработки PDF через vLLM. Модель основана на архитектуре DeepSeek-VL2 и содержит 559,7 млн параметров. Она принимает изображения и текстовые запросы, а результат формирует в виде текста; заявлен контекст до 8192 токенов и многоязычная поддержка. В качестве среды запуска README описывает Transformers на GPU NVIDIA, а также отмечает поддержку vLLM. Модель доступна по лицензии MIT. README не приводит подробных оценок качества и перечня поддерживаемых языков, поэтому применимость к конкретному языку или типу документа следует проверять на собственных данных.

Gemma 4 12B IT — мультимодальная модель Google DeepMind на архитектуре Gemma4 Unified, дообученная для следования инструкциям. Она принимает текст, изображения, видео и аудио и генерирует текст; поддерживает диалоги, рассуждения, программирование и вызов инструментов. Модель подходит для локального развёртывания на потребительских устройствах и для задач с длинным контекстом до 256 тыс. токенов. Модель может анализировать изображения и документы, распознавать текст и рукописный ввод, разбирать диаграммы и интерфейсы, а также анализировать видео по кадрам. Для аудио доступны распознавание речи и перевод речи в текст. Семейство Gemma 4 поддерживает более 140 языков в обучении, а карточка сообщает о мультиязычных возможностях; точный список языков для этой версии не приведён. Модель распространяется под лицензией Apache 2.0. Как и другие генеративные модели, она может допускать фактические ошибки; результаты распознавания, перевода и анализа следует проверять. Для видеовхода анализ выполняется по последовательностям кадров.

RedHatAI/gemma-4-31B-it — инструктивная мультимодальная модель семейства Gemma 4, разработанного Google DeepMind и опубликованного Red Hat AI. Это плотная модель на 31 млрд параметров на архитектуре Gemma4ForConditionalGeneration, дообученная на основе google/gemma-4-31B; она принимает текст и изображения и генерирует текст. Вариант 31B предназначен для диалога, рассуждений, генерации и исправления кода, анализа изображений и работы с длинными запросами; поддерживает вызов инструментов и контекст до 256 тыс. токенов. Модель подходит для визуальных вопросов и ответов, распознавания текста и извлечения сведений из документов и изображений, понимания графиков и интерфейсов, а также для суммаризации, общения и помощи с кодом. Семейство Gemma заявляет поддержку более 140 языков при предварительном обучении и более 35 языков в прикладном использовании; README не уточняет точный языковой охват именно этого чекпойнта. Вариант 31B не заявлен как поддерживающий аудио, в отличие от малых моделей семейства. Весовые файлы доступны в формате safetensors, библиотека — Transformers. Лицензия — Apache 2.0.

Карточка модели alekshandru/gemma-4-E2B на Hugging Face совпадает с карточкой google/gemma-4-E2B, поэтому описание составлено по ней. Gemma 4 E2B — мультимодальная плотная модель с открытыми весами от Google DeepMind, принадлежащая семейству Gemma 4. Она принимает текст и изображения, а также аудио; генерирует текст. Семейство использует гибридное внимание с локальными скользящими окнами и глобальным вниманием. Для малых моделей, включая E2B, заявлено контекстное окно до 128 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, суммаризации, понимания изображений и аудио, распознавания речи и перевода речи в текст. Она рассчитана на локальный запуск на мобильных устройствах и ноутбуках; семейство поддерживает многоязычные сценарии, включая более 35 языков в готовом виде. Модельные карточка описывает возможности семейства, поэтому отдельные характеристики E2B следует трактовать в его контексте. Репозиторий распространяется по лицензии Apache 2.0. Возможности включают OCR, разбор документов, анализ видео и вызов функций; описание аудиоподдержки для E2B подтверждает обработку аудио, а не генерацию речи. Качество ответов может зависеть от языка, сложности задачи и доступных вычислительных ресурсов; для критически важных сценариев результаты следует проверять.

Карточка модели Roughneck72/gemma-4-E2B на Hugging Face совпадает с карточкой google/gemma-4-E2B, поэтому описание составлено по ней. Gemma 4 E2B — мультимодальная плотная модель с открытыми весами от Google DeepMind, принадлежащая семейству Gemma 4. Она принимает текст и изображения, а также аудио; генерирует текст. Семейство использует гибридное внимание с локальными скользящими окнами и глобальным вниманием. Для малых моделей, включая E2B, заявлено контекстное окно до 128 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, суммаризации, понимания изображений и аудио, распознавания речи и перевода речи в текст. Она рассчитана на локальный запуск на мобильных устройствах и ноутбуках; семейство поддерживает многоязычные сценарии, включая более 35 языков в готовом виде. Модельные карточка описывает возможности семейства, поэтому отдельные характеристики E2B следует трактовать в его контексте. Репозиторий распространяется по лицензии Apache 2.0. Возможности включают OCR, разбор документов, анализ видео и вызов функций; описание аудиоподдержки для E2B подтверждает обработку аудио, а не генерацию речи. Качество ответов может зависеть от языка, сложности задачи и доступных вычислительных ресурсов; для критически важных сценариев результаты следует проверять.

unsloth/gemma-4-E2B — вариант Gemma 4 E2B от Unsloth, основанный на дообученной Google Gemma 4 E2B от Google DeepMind. Это плотная мультимодальная модель генерации текста по текстовым и визуальным входам; для семейства Gemma 4 заявлены гибридное внимание с локальными и глобальными слоями, режим пошагового рассуждения и контекст до 128 тысяч токенов для E2B. В репозитории указаны веса safetensors и лицензия Apache 2.0. Модель подходит для диалогов, генерации и исправления кода, суммаризации, ответов по изображениям, OCR, распознавания объектов, разбора документов, графиков и интерфейсов, а также агентных сценариев с вызовом инструментов. Семейство поддерживает более 35 языков; README также сообщает о возможностях аудио для E2B, но метаданные данного репозитория подтверждают только зрительную модальность и задачу image-text-to-text. Среди ограничений — возможные фактические ошибки, смещения и трудности с неоднозначностью, сложными открытыми задачами и тонкими языковыми нюансами.

Gliese-OCR-7B-Post2.0-final-GGUF — мультимодальная модель для распознавания и анализа документов, разработанная prithivMLmods. Это финальная, оптимизированная версия серии Gliese-OCR, созданная на архитектуре Qwen2.5-VL и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель дообучалась на данных для визуализации документов и задач, связанных с OCR. Модель предназначена для OCR, визуального анализа, извлечения и связывания информации, преобразования документов в структурированный вид и интеллектуальной обработки документов (IDP). Она рассчитана на работу со сканированными PDF, рукописными страницами, структурированными формами и аналитическими отчётами, а также может формировать результат в формате Markdown. В карточке указано, что поддерживается английский язык. Архитектура мультимодальная: модель обрабатывает текст и изображения; размер модели — 7B параметров. Доступны варианты квантования GGUF с размерами примерно от 1,9 до 15,2 ГБ, включая F16, Q2–Q8 и IQ-квантизации, что позволяет выбирать баланс между требованиями к памяти и качеством. Сильными сторонами заявлены эффективность, точность и улучшенные возможности визуализации документов. Ограничения, включая фактическую точность на конкретных типах документов, максимальный контекст и требования к оборудованию, в README не указаны. Модель распространяется по лицензии Apache-2.0.

Granite-Docling-258M — компактная мультимодальная модель IBM Research для преобразования документов, предназначенная для работы в составе библиотеки Docling. Она принимает изображение документа и формирует текстовое представление, сохраняя структуру и элементы страницы; модель не рассчитана на общее понимание изображений. Архитектура основана на Idefics3 и включает визуальный энкодер SigLIP2 Base Patch16-512, pixel shuffle-проектор и языковую модель Granite 165M. Модель обучена распознавать текст и код, формулы и диаграммы, извлекать структуру документов и отвечать на вопросы об их элементах. Основной язык — английский; поддержка японского, арабского и китайского заявлена как экспериментальная. Для преобразования документов IBM рекомендует использовать модель через Docling. Модель выпущена под лицензией Apache 2.0. Среди ограничений — возможны ошибки распознавания и галлюцинации, особенно при генерации; качество для общих задач понимания изображений не является целью модели. Поддержка японского, арабского и китайского языков экспериментальная.

Granite Vision 3.3 2B — компактная мультимодальная модель IBM для понимания изображений, особенно документов. Она предназначена для извлечения и структурирования сведений из таблиц, графиков, инфографики, диаграмм и других визуальных материалов, а также для ответов на вопросы по изображениям. Модель построена на архитектуре LLaVA: использует визуальный энкодер SigLIP2, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct с контекстом 128 тыс. токенов. В карточке описаны экспериментальные возможности сегментации изображений, генерации doctags и анализа последовательностей до восьми страниц документа. Для многостраничной обработки рекомендуется уменьшать длинную сторону изображения до 768 пикселей. Модель подходит для извлечения данных из документов и визуального поиска с использованием MM-RAG. Возможны неточные, предвзятые или нежелательные ответы; авторы рекомендуют применять её прежде всего для понимания документов, поскольку более общие задачи по изображениям могут давать нежелательные результаты. Лицензия — Apache-2.0.

Granite Vision 4.1 4B — компактная визуально-языковая модель IBM Research для извлечения структурированных данных из изображений документов и графиков. Архитектура Granite4 Vision объединяет языковую модель на 3,4 млрд параметров и визуальный энкодер с проекторами на 0,6 млрд параметров; модель дообучена на Granite-4.1-3B. Она принимает изображения и текстовые инструкции, а ответы формирует в текстовом виде, включая CSV, HTML, JSON, OTSL, код Python и описания на естественном языке. Модель предназначена прежде всего для преобразования графиков в данные, код или краткие описания, извлечения таблиц со сложной структурой и поиска семантических пар «ключ—значение» в документах с разной вёрсткой. Её также можно применять для описания изображений и в конвейерах обработки документов, в том числе с Docling. Карточка сообщает о 94,2% точности exact match на VAREX в zero-shot режиме; это результат конкретного бенчмарка и не гарантия для других данных. Модель разработана для специализированного извлечения информации и может хуже справляться с открытыми задачами по изображениям. Генеративные ответы могут содержать ошибки, поэтому их следует проверять, особенно в важных процессах. Инструкции обучения были на английском, и качество на документах на других языках может быть ниже. Лицензия — Apache 2.0.

HPD-Parsing — модель PaddlePaddle для разбора документов, дообученная на базе InternVL3.5-1B. Она принимает изображения страниц и формирует текстовое представление их структуры и содержимого, включая локализованный разбор областей страницы. Модель использует архитектуру InternVL с 1 млрд параметров и динамическое разбиение изображения на тайлы размером 448×448, до 24 тайлов. Иерархическое параллельное декодирование разделяет работу между ветвью общей структуры страницы и параллельными ветвями содержимого; P-MTP ускоряет генерацию нескольких токенов за шаг. В README заявлены результат 94,91% на OmniDocBench v1.6 и пиковая скорость 4 752 токена в секунду; эти показатели относятся к описанным авторами условиям оценки. Карточка указывает английский и китайский языки. Для инференса README описывает специализированную сборку vLLM, а также поддержку через Transformers для одного изображения и размера пакета 1. Модель распространяется по лицензии Apache-2.0.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

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.

Kosmos-2.5 — мультимодальная модель Microsoft для чтения изображений с большим количеством текста, например документов. Она использует авторегрессионный Transformer с общим декодером и предназначена для распознавания текста на уровне документа и преобразования изображения в структурированный Markdown. Модель может выдавать текстовые блоки с пространственными координатами или сохранять структуру и оформление документа в Markdown. Модель принимает изображения и текстовые инструкции и генерирует текст. Её можно адаптировать с помощью supervised fine-tuning для других задач понимания изображений с текстом. Для запуска используется библиотека Transformers версии 4.56 или новее. Модель распространяется по лицензии MIT. Результаты распознавания и преобразования могут содержать галлюцинации, поэтому точность извлечённого текста и Markdown не гарантируется.

Модель riteshbehera857/layoutlm-base-uncased-finetuned-invoices-2 — дообученная версия riteshbehera857/layoutlm-base-uncased-finetuned-invoices-1 для извлечения полей из счетов и разметки их токенов. Она использует архитектуру LayoutLMForTokenClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. По оценкам в карточке, общая точность F1 на наборе оценки составляет 0,9784; модель размечает имена, адреса, номера счета и заказа, даты, налоговый номер и суммы. Лицензия — MIT. Оценки относятся к указанному набору оценки; сведения о его составе и ограничениях в карточке не приведены.

mrm8488/layoutlm-finetuned-funsd — модель LayoutLM, дообученная для разметки токенов в документах. Она предназначена для извлечения структурированных полей из форм и документов, сохраняя связь между текстом и его расположением на странице. Модель содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для распознавания полей и их значений в документах набора FUNSD, например в формах. Архитектура LayoutLMForTokenClassification указывает на классификацию токенов; для практического применения потребуются текст документа и сведения о расположении токенов. В метаданных указаны форматы PyTorch и Safetensors. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

Это модель LayoutLMv3, дообученная автором Theivaprakasham на microsoft/layoutlmv3-base для извлечения ключевой информации из изображений чеков. Она размечает токены и текстовые области по категориям данных чеков; обучение и оценка проводились на WildReceipt, содержащем 25 категорий. В модели 151,8 млн параметров, базовая архитектура LayoutLMv3ForTokenClassification, родной контекст — 514 токенов. На тестовой части WildReceipt модель показала F1 0,8785, точность 0,9249, полноту 0,8799 и loss 0,3108. Она предназначена для извлечения полей из чеков, например для последующей обработки расходов и оцифровки документов. Для работы с изображениями чеков и распознанным текстом требуется учитывать, что качество зависит от данных и условий распознавания; лицензия в предоставленных источниках не указана.

LayoutLMv3-Fine-Tuning-FUNSD — дообученная модель Ammar alhaj ali на базе microsoft/layoutlmv3-base для классификации токенов в документах с учётом их текстового и визуального контекста. Она предназначена для извлечения структурированных элементов из форм и других документов, представленных текстом и изображением страницы. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и имеет контекст до 514 токенов. В оценке на наборе FUNSD указаны F1 0,925, точность 0,918 и полнота 0,931. Основной сценарий применения — разметка и извлечение полей в документах, похожих на формы из FUNSD. Модель дообучена на датасете nielsr/funsd-layoutlmv3; сведений о поддерживаемых языках в предоставленных данных нет. В метаданных не указана лицензия, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

HYPJUDY/layoutlmv3-large-finetuned-funsd — модель Microsoft LayoutLMv3 Large, дообученная на наборе FUNSD для извлечения и классификации сущностей в формах и других документах. Архитектура LayoutLMv3 объединяет обработку текста и изображения с учётом расположения элементов на странице; модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для разметки слов и токенов в сканах форм, например для выделения вопросов, ответов и заголовков. В README указана оценка F1 92,15 на тестовой части FUNSD. Модель использует формат PyTorch и лицензию CC BY-NC-SA 4.0, предусматривающую атрибуцию и распространение производных материалов на тех же условиях с ограничением коммерческого использования.

LiLT-SER-ZH — модель для классификации токенов в документах, разработанная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Архитектура LiLTForTokenClassification сочетает обработку текста с учётом его расположения на странице и основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для извлечения и разметки информации в документах, в частности для распознавания сущностей с учётом структуры страницы. На оценочной выборке указаны F1 0,8853, точность 0,8408 и полнота 0,9348. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Поддерживаемый язык явно не указан в карточке.

Lumma-0.6B-Extract — компактная специализированная языковая модель FrontiersMind для извлечения структурированных данных из текста. Это дообученная версия Lumma-0.6B-Base с плотной архитектурой NandiForCausalLM и примерно 800,5 млн параметров. Модель рассчитана на однократное извлечение: пользователь задаёт JSON-шаблон с нужными полями, а модель формирует ответ в соответствующей структуре. Модель подходит для извлечения имён, дат, организаций, мест, товаров и атрибутов из текстов счетов, маршрутов поездок, распознанных OCR документов, писем, отчётов и сообщений. Её можно применять в конвейерах обработки документов и данных, в том числе при ограниченных вычислительных ресурсах. Контекст составляет 12 288 токенов; карточка указывает поддержку английского языка, а многоязычная поддержка индийских языков обозначена как планируемая. Внутренний тест разработчика охватывал около 500 документов разных типов; подробные результаты и сам набор данных в карточке не приведены. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.

Megalodon-OCR-Sync-0713-AIO-GGUF — мультимодальная модель, разработанная prithivMLmods. Это GGUF-версия Megalodon-OCR-Sync-0713, дообученной на базе Qwen2.5-VL-3B-Instruct. Модель предназначена для обработки изображений и текста, включая OCR, извлечение и анализ содержимого документов, а также работу с визуальными данными. Модель ориентирована на поиск и извлечение информации из документов разных типов и форматов, распознавание структурированных и неструктурированных данных, таблиц, графиков, математических выражений и других визуальных представлений. Она поддерживает контекстный анализ сложных и длинных документов, форматирование результатов в LaTeX, мультиязычный анализ, визуальное позиционирование объектов для управления устройствами и понимание видео длительностью более 20 минут. Заявлены английский и китайский языки. Объём контекста в README не указан. Доступны варианты квантования GGUF от F16 размером 6,18 ГБ до компактных вариантов менее 1 ГБ, что позволяет выбирать баланс между качеством и требованиями к ресурсам. Сильными сторонами являются специализация на OCR и документах, работа с разнообразными визуальными структурами и применимость в образовательных и корпоративных сценариях. Ограничениями являются значительные требования к вычислительным ресурсам, а также возможное снижение качества на изображениях низкого качества и при работе с редкими языками. Лицензия — Apache 2.0.

MinerU2.5-2509-1.2B — компактная зрительно-языковая модель команды OpenDataLab для разбора документов по изображениям страниц. Она использует архитектуру Qwen2-VL и двухэтапный подход: сначала анализирует общую структуру страницы на уменьшенном изображении, затем распознаёт содержимое фрагментов в исходном разрешении. В карточке указаны 494 млн параметров и контекст 16 384 токена. Модель предназначена для извлечения структурированного содержимого из документов, включая текст, таблицы, математические формулы, заголовки, колонтитулы, номера страниц, списки, ссылки и блоки кода. Среди заявленных сильных сторон — разбор сложных формул, в том числе смешанных китайско-английских, и таблиц с поворотом или неполными границами. Поддерживаются китайский и английский языки; модель работает с изображениями и текстовыми запросами, выдавая текстовое представление разобранного документа. Для локального запуска README рекомендует GPU, а для применения также доступны облачный API и интеграции с инструментами для RAG и MCP. Модель распространяется по лицензии AGPL-3.0. Показатели точности в README заявлены без приведённых здесь подробностей методики; локальный запуск требует подходящего GPU.

Карточка модели ajmcclary/MinerU2.5-Pro-2605-1.2B на Hugging Face совпадает с карточкой opendatalab/MinerU2.5-Pro-2605-1.2B, поэтому описание составлено по ней. MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

MiniCPM5-Vision-2B — мультимодальная модель компьютерного зрения и языка, опубликованная ewin-reg. Она сочетает визуальный энкодер SigLIP-SO400M-Patch14-384 с языковой основой openbmb/MiniCPM5-2B через обучаемый проектор и использует динамическое разбиение изображений на фрагменты. Языковая часть содержит 2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа изображений высокого разрешения, распознавания текста в документах, извлечения табличных данных и ответов на вопросы по изображениям и диаграммам. В README описано дообучение с LoRA и учебная программа, включающая DocVQA и ChartQA; метаданные также указывают визуальную привязку. Карточка заявляет поддержку английского и китайского языков. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Заявленные результаты обучения и оценки приведены в README, однако его таблица бенчмарков неполна, а независимые показатели качества не представлены. Для обработки изображений высокого разрешения применяется разбиение на фрагменты, поэтому подробные изображения могут требовать больше вычислительных ресурсов.

mychen76/mistral7b_ocr_to_json_v1 — дообученная языковая модель Mistral-7B, созданная для преобразования распознанного OCR-текста чеков и счетов в структурированный JSON. Входом служит текст и текстовые блоки, полученные внешним OCR-сервисом; модель не обрабатывает изображения напрямую. Основные сценарии — извлечение полей из чеков и счетов, в том числе на английском и немецком языках. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она дообучена на датасете mychen76/invoices-and-receipts_ocr_v1. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. В README модель обозначена как экспериментальная, поэтому качество структурирования следует проверять на целевых форматах документов.

Карточка модели zenosai/MonkeyOCRv2-B-Parsing-DFlash на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.