I.4Обработка документов и форм

unsloth/diffusiongemma-26B-A4B-it — мультимодальная модель диалогового взаимодействия на архитектуре DiffusionGemma, опубликованная Unsloth на основе google/diffusiongemma-26B-A4B-it. Она использует схему блочной авторегрессии: кодирует контекст в KV-кеш, затем параллельно уточняет блоки токенов диффузионным методом. В репозитории указаны веса safetensors и лицензия Apache-2.0. Модель предназначена для чата, генерации и дополнения текста и кода, пошаговых рассуждений, вызова инструментов, а также анализа изображений и видео. Для визуальных задач README перечисляет OCR, чтение документов и PDF, понимание графиков и интерфейсов, распознавание рукописного текста и описание видеокадров. Заявлены контекст до 256 тысяч токенов и поддержка более 35 языков; базовая модель описана как основанная на Gemma 4. README заявляет ускоренную генерацию за счёт параллельного денойзинга блоков токенов и адаптации числа шагов инференса к сложности задачи. Ограничения включают возможные фактические ошибки, предвзятость данных и трудности с неоднозначными или сложными запросами. Эти заявленные характеристики относятся к карточке модели; лицензия репозитория — Apache-2.0.

philschmid/donut-base-sroie — модель для извлечения текста и структурированных сведений из изображений документов. Она разработана как дообученная версия naver-clova-ix/donut-base на наборе данных imagefolder. Архитектура vision-encoder-decoder принимает изображение и формирует текстовый результат; модель предназначена для сценариев распознавания и разбора документов, включая обработку чеков SROIE. Модель опубликована в формате PyTorch под лицензией MIT. Карточка не описывает конкретные метрики качества и ограничения, поэтому пригодность для конкретного типа документов следует оценивать на собственных данных.

shubh1608/donut_pdf_ocr — модель архитектуры VisionEncoderDecoder, предназначенная для преобразования изображений документов в текст. В карточке указано обучение с нуля на наборе данных imagefolder; при этом метаданные каталога связывают модель с дообучением bn22/Mistral-7B-Instruct-v0.1-sharded, поэтому её происхождение описывается как дообучение. Автор приводит значение loss 0,0443 на оценочном наборе, но не уточняет методику оценки. Модель подходит для извлечения текста из изображений страниц PDF и других документов. Для неё указан формат PyTorch и задача image-text-to-text. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют. Лицензия не указана.

dots.mocr — мультимодальная модель семейства dots_ocr от dots-studio для разбора документов и изображений с текстом. Она предназначена для распознавания текста и структуры страниц: находит элементы макета, их ограничивающие рамки и категории, извлекает текст и формирует Markdown. Также модель интерпретирует диаграммы, интерфейсы и научные иллюстрации и может преобразовывать структурированную графику в SVG-код; поддерживает интерактивный диалог по визуальному содержимому. Модель имеет плотную архитектуру DotsOCRForCausalLM и 1,5 млрд параметров; указанный размер контекста — 131 072 токена. Карточка заявляет мультиязычную поддержку, в том числе английского и китайского. Для развёртывания рекомендуются vLLM и Transformers; лицензия — MIT. Среди ограничений карточка отмечает трудности с комплексными таблицами и математическими формулами, недостаточно надёжный разбор графических изображений в SVG и периодические сбои разбора. Заявления о качестве на бенчмарках приведены в README, но сами таблицы с результатами здесь опущены.

mlx-community/dots.mocr-bf16 — версия модели dots.mocr, подготовленная сообществом mlx-community для запуска в MLX и преобразованная из rednote-hilab/dots.mocr с помощью mlx-vlm 0.4.1. Это плотная модель семейства dots_ocr с архитектурой DotsOCRForCausalLM и 1,5 млрд параметров. Модель предназначена для анализа изображений и документов: распознавания текста, разбора структуры и компоновки страниц, таблиц и формул. Она поддерживает ввод изображений и текста и выдаёт текст; метаданные указывают английский, китайский и многоязычный режимы. Родной контекст составляет 131 072 токена. Версия рассчитана на использование в MLX, а README рекомендует запуск через mlx-vlm. Это преобразованная версия базовой модели, а не отдельная разработка. Лицензия — MIT. Качество распознавания и поддержка конкретных языков или типов документов зависят от исходной модели; подробности следует сверять с её карточкой.

DREX-062225-exp — экспериментальная модель для анализа документов, разработанная prithivMLmods путём дообучения docscopeOCR-7B-050425-exp. Она построена на архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров; модель принимает изображения документов и текстовые запросы, а в ответ формирует текст. Заявленная длина контекста — 128 000 токенов. Модель предназначена для поиска сведений в документах, извлечения структурированных данных из таблиц и форм, распознавания текста и анализа структуры и связей между частями документа. Среди целевых сценариев — обработка деловых и исследовательских материалов, договоров и документов для регуляторной отчётности. Карточка также заявляет распознавание математических выражений с форматированием LaTeX и поддержку нескольких языков, но метаданные указывают английский как язык карточки и не перечисляют другие языки. Точность может снижаться на типах документов, отличающихся от обучающих данных, и на узкоспециализированных форматах. Обработка длинных документов требует достаточного объёма памяти, а качество зависит от настройки визуальных токенов и предварительной обработки изображений. Модель распространяется по лицензии Apache-2.0.

mlx-community/Falcon-OCR-bf16 — конвертированная в формат MLX модель Falcon-OCR от Falcon Perception Team института TII, подготовленная для запуска через mlx-vlm на компьютерах Apple Silicon. Это компактная раннеобъединённая vision-language-модель с 300 млн параметров, которая принимает изображение документа и формирует текстовый ответ; её применяют для распознавания текста, формул и таблиц на страницах документов. Модель предназначена для инференса с mlx-vlm и может использоваться, в частности, через MlxVlmEngine в Docling. Репозиторий содержит веса в bf16; для загрузки применяется пользовательский процессор FalconOCRProcessor и класс FalconOCRForCausalLM с trust_remote_code=True. Модель распространяется по лицензии Apache 2.0, как и исходная Falcon-OCR. В README отмечена ошибка AttributeError в конце шага конвертации, однако веса и токенизатор к этому моменту записываются и, согласно карточке, доступны для загрузки. Для использования требуется совместимое окружение MLX на Apple Silicon.

Карточка модели Iambackup/gemma-4-12B-it на Hugging Face совпадает с карточкой RedHatAI/gemma-4-12B-it, поэтому описание составлено по ней. 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.

Карточка модели sagnikdas-ml/gemma-4-12B-it на Hugging Face совпадает с карточкой RedHatAI/gemma-4-12B-it, поэтому описание составлено по ней. 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.

llmfan46 подготовил дообученную версию инструкционной Gemma 4 12B от Google DeepMind с изменениями компонента attn.o_proj. Это мультимодальная плотная модель для диалога, рассуждений, генерации и исправления кода, анализа изображений, видео и аудио, а также работы с инструментами. Архитектура Gemma4Unified поддерживает гибридное внимание и контекст до 256K токенов; модель рассчитана на многоязычное применение. README указывает поддержку более 35 языков на практике и предварительное обучение более чем на 140 языках. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста и рукописного ввода, понимания диаграмм и интерфейсов, анализа видеокадров, транскрибации речи и перевода речи в текст. Аудиовозможности заявлены для варианта 12B. Указаны встроенный режим рассуждений и поддержка вызова функций. Производная помечена как uncensored/abliterated; это может влиять на поведение защитных механизмов. По условиям Apache-2.0 разрешено использование согласно лицензии. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения данных и испытывать трудности с неоднозначными или сложными запросами.

GravityOCR — дообученная модель trillionlabs на базе zai-org/GLM-OCR для распознавания текста и разбора документов по изображениям. Она использует архитектуру GlmOcrForConditionalGeneration с визуальным энкодером CogViT и текстовым декодером 0,5 млрд параметров; веса сохранены в формате bf16. Модель принимает изображение с запросом на распознавание текста, таблицы или формулы и выдаёт текст, HTML таблицы либо LaTeX формулы. Модель предназначена для OCR документов с обработкой отдельных областей страницы; для целых страниц README указывает на предварительное обнаружение макета. В режиме авторегрессивного декодирования она совместима с обычным конвейером GLM-OCR. Основное отличие — самоспекулятивное декодирование: модель черновым блоком предсказывает несколько токенов и проверяет их собственным авторегрессивным путём. На OmniDocBench v1.6 автор сообщает ускорение страниц в секунду в 1,32 раза относительно авторегрессивного режима при том же итоговом балле. Дообучение было преимущественно на английском; для китайского заявлен уровень базовой GLM-OCR. Лицензия — MIT. Самоспекулятивный режим требует кода репозитория и специальной настройки сервинга; результаты по скорости приведены для одного H100 и конкретного бенчмарка.

Карточка модели davanstrien/index-card-extractor-schemavar на Hugging Face совпадает с карточкой davanstrien/index-card-extractor-control, поэтому описание составлено по ней. Модель davanstrien/index-card-extractor-control — дообученная davanstrien версия NuMind NuExtract3 на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для извлечения структурированных данных из изображений карточек. В метаданных отмечены поддержка зрения и диалоговый режим; веса опубликованы в формате safetensors. Модель выпущена под лицензией Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Сведения о размере этой версии, длине контекста, целевых языках и точности извлечения не приведены.

InvoiceNER — компактная модель распознавания именованных сущностей для коммерческих счетов, разработанная FlowX.AI как часть семейства OpenNER. Она дообучена на answerdotai/ModernBERT-base и размечает фрагменты текста девятью типами сущностей: DATE, IBAN, INVOICE_NO, NET, PO_NO, SUPPLIER, TAX, TOTAL и VAT_ID. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации токенов и поддерживает контекст до 8192 токенов. Предназначена для извлечения дат, номеров и сумм из счетов на CPU, Apple Silicon, GPU, а также в браузере или на периферийных устройствах через ONNX с INT8. По заявлению карточки, обработка занимает около 100–160 мс на документ на CPU; развёртывание возможно локально или в изолированной сети, чтобы документы не покидали инфраструктуру. Указанная лицензия — Apache-2.0. Оценка F1 1,0 получена на синтетических данных из того же генератора, что использовался для обучения, и отражает проверку обучающего конвейера, а не точность на реальных документах. Модель только выделяет фрагменты и не проверяет контрольные суммы или корректность идентификаторов; качество следует проверить на собственных счетах.

KDL-Frontier-Parser-nano — компактная модель разбора документов с открытыми весами, упакованная и настроенная компанией KoreaDeep. Это плотная визуально-языковая модель семейства Qwen2-VL с 1,2 млрд параметров; она принимает изображение документа и текстовый запрос, а в ответ выдаёт текстовую разметку или распознанное содержимое. Модель предназначена для конвейера обработки документов: сначала определяют макет и вырезают области, затем вызывают модель отдельно для каждой области с запросом на распознавание текста, таблиц или макета. Для таблиц она формирует OTSL. По результатам ParseBench от 10 июня 2026 года, средний балл на полном наборе из 2553 примеров составил 76,48; в README также указано отсутствие сбоев инференса в этом прогоне. Для обслуживания README приводит настройки vLLM с контекстом до 8192 токенов, одним изображением на запрос и отключённым режимом thinking. Модель опубликована по лицензии AGPL-3.0. Ее назначение специализировано на разборе документов; распознавание выполняется по областям в несколько вызовов, а преобразование результатов в форматы, отличные от OTSL для таблиц, оставлено вызывающему приложению.

Kiel-2-VQA — мультимодальная модель для понимания изображений и диалоговых запросов, разработанная KielTech на основе архитектуры Qwen2.5-VL и дообученная на базе unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit. Модель принимает изображения вместе с текстовыми вопросами и формирует текстовые ответы; она предназначена для визуального поиска информации и анализа содержимого изображений. Модель ориентирована на ответы на вопросы по фотографиям, диаграммам, интерфейсам и иллюстрациям, разбор документов, таблиц и графиков, извлечение текста методом OCR и определение координат объектов и визуальных элементов. В карточке заявлены высокая точность распознавания текста и экономичный инференс благодаря 4-битной оптимизации BNB NF4. Архитектура — Qwen2_5_VLForConditionalGeneration; поддерживаемый язык — английский. Лицензия Apache 2.0.

LFM2-1.2B-Extract-GGUF — модель Liquid AI для извлечения важной информации из неструктурированных документов и преобразования её в структурированный вид. Она предназначена для обработки статей, расшифровок, отчётов, электронных писем, нормативных документов и обращений в службу поддержки с формированием результатов в форматах JSON, XML или YAML. Модель основана на LFM2-1.2B и имеет размер около 1,2 млрд параметров. Распространяется в формате GGUF и относится к задачам генерации текста; в README приведён пример запуска с llama.cpp. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Возможные сценарии включают извлечение реквизитов счетов, подготовку данных для систем комплаенса и аналитики, а также пополнение графов знаний сущностями и атрибутами. К сильным сторонам относятся специализация на структурированном извлечении и возможность локального использования через совместимые инструменты. README не содержит сведений о точной архитектуре, размере контекста, результатах сравнительных тестов, требованиях к оборудованию или ограничениях качества, поэтому эти характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии lfm1.0; условия лицензии указаны в файле LICENSE.

lift-GGUF — это 9-миллиардная multimodal-модель для структурированного извлечения данных из PDF-документов и изображений, разработанная Datalab на базе Qwen3.5-9B и представленная в формате GGUF пользователем prithivMLmods. Модель принимает произвольную JSON Schema и возвращает соответствующий JSON-объект с использованием декодирования, ограниченного схемой, что обеспечивает валидный и типизированный результат. Она поддерживает обработку многостраничных документов за один проход, включая значения, распределённые по нескольким страницам, а также локальный inference через Hugging Face и удалённый inference через vLLM. Указан английский язык; поддержка других языков не заявлена. Модель предназначена для автоматизированного извлечения полей, списков и других структурированных сведений из документов и изображений, включая сценарии с отвлекающими похожими данными и межстраничными значениями. На тесте из 225 документов объёмом от 6 до 64 страниц она показала точность на уровне полей 90,2% и точность целого документа 20,9% при медианной задержке 9,5 секунды, превзойдя Qwen3.5-9B и NuExtract3 сопоставимого размера, но уступив более крупным размещённым в облаке системам. Доступны варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размеры файлов варьируются примерно от 3,91 до 18,4 ГБ, для multimodal-обработки требуются отдельные mmproj-файлы. Код распространяется по Apache 2.0, а веса — по модифицированной лицензии OpenRAIL-M. Согласно описанию, веса бесплатны для исследований, личного использования и стартапов с финансированием или выручкой менее 5 миллионов долларов. Ограничениями являются зависимость качества от выбранной JSON Schema и конфигурации квантования, высокая требовательность к ресурсам для полноразмерных вариантов, а также сравнительно низкая точность полного документа по приведённому benchmark.

LiLT-SER-JA — дообученная модель на основе nielsr/lilt-xlm-roberta-base, созданная для классификации токенов в документах. Она использует архитектуру LiLT с XLM-RoBERTa и предназначена для извлечения структурированной информации из документов с учётом текста и его расположения на странице. Модель обучена на датасете XFUND; карточка приводит на оценочной выборке F1 0,7928, precision 0,7244 и recall 0,8755. Доступна в формате Safetensors, имеет 305,2 млн параметров и контекст до 514 токенов. Лицензия — MIT. README не раскрывает подробности разметки и целевых типов сущностей.

usermma/MinerU2.5-Pro-2605-1.2B-mlx-fp16 — конвертированная в формат MLX версия визуально-языковой модели MinerU2.5-Pro-2605-1.2B от OpenDataLab. Модель основана на архитектуре Qwen2-VL, поддерживает работу с изображениями и текстом и предназначена для диалога.

Многоязычная модель распознавания именованных сущностей на основе BERT, разработанная Yahya Mdarhri и дообученная на bert-base-multilingual-cased. Она выполняет разметку текста по токенам и выделяет категории, включая имена людей, организации, местоположения, даты, телефоны, IBAN, номера банковских карт, адреса электронной почты и идентификационные номера. Модель рассчитана на арабский, французский и английский языки; карточка также указывает возможность адаптации к новым меткам при наличии размеченных обучающих данных. В репозитории указано 205,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель подходит для извлечения сущностей из текстов и идентификации контактных и финансовых данных. Лицензия обозначена как open source, без указания конкретного лицензионного идентификатора. Возможны ошибки и смещения при распознавании, особенно для имен и чувствительных категорий; результаты требуют проверки, а обработку персональных данных следует проводить с соблюдением требований конфиденциальности.

Карточка модели Arsh9210/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой lactroiii/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, поэтому описание составлено по ней. NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.

NuExtract-2-8B-experimental — экспериментальная мультимодальная модель NuMind для извлечения структурированных данных. Она дообучена на InternVL2_5-8B и предназначена для извлечения сведений из текста и изображений по JSON-шаблону с заданными полями и типами значений. Шаблон может запрашивать дословные или обобщённые строки, числа, даты, варианты из списка и массивы; если подходящей информации нет, модель возвращает null или пустой массив. Модель поддерживает несколько языков и принимает текстовые и графические входные данные. Для извлечения рекомендуется использовать температуру, близкую к нулю. Версия обозначена авторами как экспериментальная и должна быть заменена NuExtract 2.0. Распространяется по лицензии MIT.

NuExtract-large — модель для извлечения структурированной информации из текста, разработанная NuMind на основе Phi-3 Small и дообученная на синтетическом наборе данных. Пользователь передаёт текст и JSON-шаблон с нужными полями; модель извлекает соответствующие фрагменты и оформляет их по шаблону. Карточка указывает, что выходной текст модели дословно содержится в исходном тексте. Модель имеет плотную архитектуру Phi-3 Small с 8,2 млрд параметров и контекстом до 8192 токенов. README рекомендует подавать текст короче 2000 токенов. Метаданные указывают английский язык; модель доступна в формате safetensors и распространяется по лицензии MIT. Подходит для извлечения сущностей, атрибутов и других заданных пользователем сведений в JSON. Ограничения: ответы должны опираться на исходный текст, а не добавлять новую информацию; заявленные в README результаты бенчмарков ещё не опубликованы.

NuMarkdown-8B-Thinking — мультимодальная модель Numind для распознавания и структурированного извлечения содержимого из документов. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала на синтетических примерах «документ — рассуждение — Markdown», затем с помощью GRPO с наградой, ориентированной на структуру и компоновку документа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и рассчитана на контекст до 128 000 токенов. Модель принимает изображения документов и преобразует их в аккуратный Markdown, уделяя внимание сложной разметке и таблицам. В ходе генерации она использует промежуточные рассуждения о структуре страницы; их объём зависит от сложности задачи. Такой формат вывода подходит для подготовки документов к индексации и поиску с дополненной генерацией (RAG). Модель распространяется по лицензии MIT. Её назначение — извлечение текста и структуры из документов; README описывает сравнительные результаты, но не приводит подробностей методики оценки, поэтому заявленные преимущества на сложных документах следует проверять на собственных данных.

Ovis2.6-30B-A3B — мультимодальная большая языковая модель семейства Ovis, разработанная ATH-MaaS. Она предназначена для диалога и анализа изображений: отвечает на вопросы по документам и нескольким страницам, распознаёт текст, извлекает сведения из таблиц и диаграмм, а также рассуждает по визуальным данным. Модель использует архитектуру Mixture-of-Experts с 30 млрд параметров, из которых при генерации активны примерно 3 млрд. Карточка указывает контекст до 64 тыс. токенов и обработку изображений с разрешением до 2880×2880; метаданные каталога указывают контекст 262 144 токена. README описывает возможность активного анализа областей изображения, включая кадрирование и поворот, с помощью визуальных инструментов. Модель принимает текст и изображения и выдаёт текст. В карточке не перечислены поддерживаемые языки, поэтому языковые коды не указаны. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или нежелательного содержания.

Ovis2.6-80B-A3B — мультимодальная языковая модель семейства Ovis, построенная на архитектуре Mixture-of-Experts (MoE). По README, в ней 80 млрд параметров всего и около 3 млрд активных параметров при инференсе; модель предназначена для диалоговой работы с текстом и изображениями. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Модель рассчитана на визуальные рассуждения, распознавание текста на изображениях, понимание документов и анализ диаграмм и графиков. Она может работать с изображениями высокого разрешения до 2880×2880 и заявлена как подходящая для вопросов по длинным многостраничным документам. README описывает функцию Think with Image: модель может использовать визуальные инструменты, например обрезку и поворот изображения, чтобы повторно исследовать его фрагменты. Метаданные указывают контекст 32 768 токенов; README заявляет 64K токенов. Модель поддерживает чат и выдаёт текстовые ответы по текстовым и визуальным входам. README не перечисляет поддерживаемые естественные языки. Заявления о высокой точности относятся к описанию разработчика; в карточке также отмечено, что отсутствие нарушающего авторские права или ненадлежащего контента не гарантируется.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

proxima-ocr-d.markdown-post3.0.l — экспериментальная мультимодальная модель для обработки документов, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения документов и преобразует их в Markdown, HTML-Markdown и структурированные представления, восстанавливая порядок разделов, таблицы, формы, многоколоночную верстку и математические выражения. Модель предназначена для OCR, извлечения таблиц и полей форм, восстановления разметки многостраничных документов, а также вопросов и поиска по их содержимому. В README заявлена поддержка технических фрагментов, включая код и формулы LaTeX; языком карточки указан английский. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0. Это ранняя экспериментальная версия: автор предупреждает о возможных артефактах. Точность может снижаться на повреждённых сканах и мало представленных языках, а сложная ориентация блоков и нерегулярная верстка могут требовать дополнительной обработки. Для длинных последовательностей и многостраничных документов требуется значительный объём видеопамяти.

coder3101/Qwen2.5-VL-72B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct от Qwen, размещённая пользователем coder3101. Это плотная instruction-tuned модель класса Qwen2_5_VLForConditionalGeneration на 71,5 млрд параметров; в репозитории веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текст и формирует текстовые ответы; базовый чекпойнт поддерживает анализ видео, однако карточка этой модификации отдельно описывает главным образом результаты ablation для отказов. Модель предназначена для диалогового анализа изображений: распознавания объектов и текста, интерпретации диаграмм и макетов, локализации объектов с координатами, а также структурированного извлечения данных из счетов, форм и таблиц. Базовое семейство также заявляет понимание длинных видео, выделение событий и визуальное управление инструментами. Контекст составляет 128 000 токенов. В приведённом сравнении показатель отказов снижен с 100 из 100 у исходной модели до 8 из 100; это указывает на ослабленное поведение отказа и требует осторожности при применении. Лицензия обозначена как other, без уточнения условий в предоставленных данных.