I.4Обработка документов и форм

Xenova/trocr-small-printed — веб-совместимая версия модели microsoft/trocr-small-printed, подготовленная с весами в формате ONNX для работы через Transformers.js. Модель предназначена для распознавания печатного текста на изображениях и преобразования его в текст, поэтому подходит для сценариев OCR в браузерных и JavaScript-приложениях. Из доступных данных известно, что модель относится к семейству TrOCR и имеет вариант small; поддерживает задачу image-to-text и распространяется с ONNX-весами. Сведения о точной архитектуре, количестве параметров, поддерживаемых языках, размере контекста и конкретных показателях качества в карточке не указаны. Лицензия также не указана; условия использования следует уточнять в исходном репозитории microsoft/trocr-small-printed.

Typhoon-OCR-1.5-2B — компактная vision-language модель для распознавания и разбора документов на тайском и английском языках, разработанная OpenTyphoon на основе Qwen3-VL-2B-Instruct. Это дообученная плотная модель Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она принимает изображения документов и формирует структурированный текст. Модель предназначена для извлечения текста и структуры из PDF-страниц и изображений, включая рукописные записи, формы, чеки, таблицы, отчёты, инфографику и схемы. Вывод может включать Markdown для текста, HTML для таблиц, описания рисунков и диаграмм, LaTeX для формул и номера страниц; результаты подходят для последующей загрузки в RAG-системы и базы данных. Распознавание структуры выполняется по изображению без зависимости от метаданных PDF. Для работы требуется специальный prompt из карточки; модель не рассчитана на другие запросы и не предоставляет возможностей общего визуального вопросно-ответного диалога. Возможны галлюцинации, поэтому результаты следует проверять. Для локального запуска авторы рекомендуют Ollama и предупреждают о возможной потере точности у GGUF-сборок для llama.cpp и LM Studio. Лицензия в метаданных — Apache-2.0; README также указывает на условия OpenTyphoon.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Авторы позиционируют её как развитие Deepseek-OCR для однопроходного анализа документов с длинным горизонтом обработки. Модель содержит 559,7 млн параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов; для запуска описаны Transformers на NVIDIA GPU и сервер SGLang с API, совместимым с OpenAI. Модель предназначена для OCR и извлечения текстовой информации из изображений документов, а также для задач генерации текста по визуальному вводу. В карточке указана поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и видах документов.

kthierbach/unlimited-ocr-max — это порт модели baidu/Unlimited-OCR, подготовленный Константином Тирбахом для запуска через MAX и OpenAI-совместимый API. Модель предназначена для распознавания текста на изображениях и преобразования страниц в Markdown; репозиторий также описывает запуск собственного сервера и профилирование на наборе страниц. Архитектура указана как UnlimitedOCRForCausalLM, размер — 559,7 млн параметров, длина контекста — 32 768 токенов. Доступны исходные веса bf16 и вариант int8 с квантизацией routed experts; файлы весов хранятся в safetensors. Поддерживаются Metal на Apple Silicon, CUDA, ROCm и CPU. Метаданные характеризуют модель как многоязычную. Порт упрощает развёртывание через MAX, а int8-вариант предназначен для более быстрого декодирования на GPU. На CPU работа медленная; для int8 требуется GPU. Для NVIDIA указаны требования Ampere или новее, драйвер 580+ и MAX версии 0.3.1 или новее. Лицензия — MIT; README указывает, что исходные веса и файлы Baidu распространяются под MIT, а int8-веса получены из них квантизацией.

ABrunsch/Unlimited-OCR-repacked — перепакованная копия мультимодальной модели Unlimited-OCR, разработанной Baidu. По README, веса соответствуют оригинальной версии; отличие репозитория — разбиение Safetensors на четыре файла для хранения и передачи. Модель предназначена для распознавания текста и разбора длинных документов по изображениям; README также описывает преобразование PDF-страниц в изображения для подачи модели. Архитектура — плотная UnlimitedOCRForCausalLM с 559,7 млн параметров и контекстом 32 768 токенов. Модель работает с изображениями и текстом, заявлена как мультиязычная. Метаданные указывают задачи image-text-to-text и text-generation; для сценария OCR основная задача — image-text-to-text. Репозиторий использует Transformers и формат Safetensors. Лицензия — MIT. Для запуска README приводит GPU-ориентированные варианты Transformers, vLLM и SGLang.

YOLOS-base-signature-detection — модель обнаружения объектов, дообученная Марио Дефрансом на базе hustvl/yolos-base для поиска рукописных подписей на изображениях документов. Она использует архитектуру YOLOS на основе Vision Transformer и выдаёт области изображения с обнаруженными подписями. Модель рассчитана на обработку сканов договоров, форм и других документов; её можно использовать в конвейерах проверки документов с последующей проверкой результатов человеком. Обучение проводилось на наборе изображений подписей, собранном из Tobacco800 и signatures-xc8up и подготовленном в формате COCO; в метаданных также указан набор tech4humans/signature-detection. Репозиторий содержит около 113,2 млн параметров, веса представлены в формате safetensors, для работы заявлена поддержка PyTorch через Transformers. Модель лицензирована по Apache 2.0. Она предназначена только для обнаружения подписей, не для поиска других объектов или проверки подлинности подписи. Возможны ложные срабатывания и пропуски; качество может снижаться на шумных, низкокачественных изображениях и при разнообразии стилей, недостаточно представленном в обучающих данных. Для юридически или финансово значимых процессов результаты следует проверять вручную.

olmOCR-7B-0225-preview-GGUF — это квантизированная версия мультимодальной модели olmOCR-7B-0225-preview, разработанной AllenAI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для обработки изображений и текста, прежде всего для задач оптического распознавания символов и извлечения текстовой информации из визуальных документов. Заявленная языковая поддержка — английский язык. Модель содержит около 7 миллиардов параметров и доступна в нескольких вариантах квантизации от Q8_0 до Q2_K_L, что позволяет выбирать между качеством распознавания, размером файла и требованиями к оперативной памяти. Размер файлов составляет примерно от 3,49 до 8,10 ГБ. Варианты GGUF можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. Для взаимодействия используется шаблон промпта с ролями system, user и assistant. Сильными сторонами являются поддержка изображений, широкий выбор уровней квантизации и возможность локального запуска без обращения к облачным сервисам. При этом снижение точности по сравнению с исходной моделью зависит от выбранного варианта квантизации, а сведения о точной архитектуре, максимальной длине контекста и поддержке языков, кроме английского, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

hezarai/crnn-base-fa-v2 — модель оптического распознавания персидского текста, разработанная Hezarai. Она основана на архитектуре CRNN: сверточная нейросеть извлекает признаки изображения, а LSTM обрабатывает последовательность символов. Модель предназначена для распознавания печатного текста на сканированных документах и изображениях; для полного OCR-конвейера её следует применять после детектора текстовых областей. По сравнению с предыдущей версией использует датасет в пять раз больше, принимает изображения размером 32×384 и поддерживает вывод длиной до 96 символов. Обрабатывает цифры и специальные символы, а также автоматически учитывает символы слева направо, например цифры внутри персидского текста. Лучше всего работает с фрагментами текста длиной примерно до 50 символов. Модель можно дообучать для других областей, включая номера автомобилей и рукописный текст. Опубликована под лицензией Apache-2.0.

DeepSeek-OCR-2-bf16 — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Модель конвертирована в формат MLX из prince-canuma/DeepSeek-OCR-2 с помощью mlx-vlm 0.3.10 и предназначена для использования через библиотеку Transformers и инструменты MLX. Модель решает задачи оптического распознавания символов и описания изображений: извлекает текст из изображений, отвечает на вопросы о визуальном содержимом и формирует текстовые результаты по изображению. Она поддерживает мультиязычные сценарии, имеет 559,7 млн параметров и нативное контекстное окно до 8192 токенов. К сильным сторонам относятся специализированная направленность на OCR, поддержка vision-language сценариев и формат bf16 для экосистемы MLX. Результаты могут зависеть от качества, разрешения и структуры исходного изображения, а точность распознавания сложных документов, мелкого текста и нестандартных макетов следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

neuralabs/deepseek_ocr_de — дообученная компанией neuralabs модель DeepSeek OCR для распознавания немецкого текста на изображениях. Она предназначена для извлечения текста из отсканированных документов, печатных материалов, фотографий, форм и чеков; обучена на синтетическом наборе из 200 тысяч изображений с немецкими текстами и поддерживает особенности немецкой орфографии, включая ä, ö, ü и ß. Модель построена на плотной архитектуре DeepseekOCRForCausalLM, содержит 559,7 млн параметров и имеет контекст 8192 токена. В метаданных указаны задачи text-generation и feature-extraction; для основного сценария распознавания текста по изображению подходящим поисковым тегом является image-text-to-text. Модель принимает изображения с текстом и выдаёт текст. Лучше всего работает с чёткими изображениями печатного немецкого текста, похожего на обучающие данные. Качество может снижаться на рукописном тексте, размытых или низкоконтрастных изображениях и материалах, сильно отличающихся от обучающего распределения. Распространяется по лицензии Apache 2.0.

DeepSeek-AI выпустила DeepSeek-VL2 — семейство плотных по структуре Mixture-of-Experts моделей для мультимодального понимания изображений и текста. Полная версия построена на DeepSeekMoE-27B; для семейства также представлены варианты Tiny с 1,0 млрд и Small с 2,8 млрд активируемых параметров, а полная версия использует 4,5 млрд активируемых параметров. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, понимания документов, таблиц и диаграмм, а также визуального заземления. README сообщает о конкурентных результатах при сопоставимом или меньшем числе активируемых параметров по сравнению с рядом открытых плотных и MoE-моделей. Метаданные указывают архитектурное семейство DeepSeek-VL2, библиотеку Transformers и формат весов safetensors. Для входных изображений README рекомендует разрешение 384×384 без разбиения на фрагменты. Лицензия обозначена как other, поэтому конкретные права использования следует сверить с условиями репозитория.

Document Seal Detector v1 — модель компьютерного зрения для поиска чернильных резиновых печатей на страницах документов. Она разработана для рабочих процессов обработки документов, например маршрутизации, помощи при проверке и выделения области печати для последующей верификации. Модель находит положение печати и возвращает ограничивающую рамку в координатах xyxy исходного изображения и оценку уверенности. Модель построена на архитектуре YOLOS с backbone на основе Vision Transformer и реализована как YolosForObjectDetection в библиотеке Transformers. Размер — 113,2 млн параметров. Она дообучена на страницах документов с проверенными аннотациями преимущественно круглых и овальных административных печатей; в обучении также использовались документы без печатей как сложные отрицательные примеры. Для исходного тестового набора указаны mAP@[0.50:0.95] 0,869 и mAP@0.50 1,0, но эти результаты не гарантируют качество на других источниках документов. Модель определяет наличие и расположение визуально похожей печати, но не проверяет её подлинность, юридическую силу или принадлежность. Она может хуже работать с прямоугольными, бледными, размытыми или перекрытыми печатями; на незнакомых макетах возможны ложные срабатывания на QR-коды, логотипы, штрихкоды, марки и наклейки. Для решений с юридическими, финансовыми или комплаенс-последствиями требуется проверка человеком. Лицензия в предоставленных данных не указана.

Document-Type-Detection — модель классификации изображений документов, разработанная prithivMLmods на основе SigLIP 2 base patch16-224 и дообученная для распознавания шести типов документов на сканах и фотографиях: рекламных материалов, рукописных документов, счетов, писем, новостных статей и резюме. Она предназначена для автоматической сортировки документов, предварительной маршрутизации в OCR-конвейерах, цифрового архивирования и систем управления корпоративными документами. Модель принимает изображение документа и возвращает класс документа. Архитектура — SigLIP для классификации изображений; карточка указывает поддержку английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не описаны.

florin-parser-nano — компактная визуально-языковая модель на архитектуре Qwen2-VL, разработанная Florin Inc. как LoRA дообучение KDLAI/KDL-Frontier-Parser-nano от KoreaDeep. Модель принимает изображения документов и распознаёт их содержимое, формируя текст с разметкой Markdown для выделений, зачёркиваний и структуры таблиц. В карточке указаны база размером 1,2 млрд параметров и обучение на парах фрагментов документов и Markdown; обучающие примеры включали страховые документы, синтетические изображения и материалы на китайском и деванагари. Модель предназначена для OCR и разбора документов, где важно сохранить визуальное форматирование и структуру таблиц. В описанном тестировании ParseBench она показала средний результат 77,50 на полном корпусе из 2 079 документов; авторы также сообщают о компромиссе между форматированием и распознаванием диаграмм. Заявленные результаты на подмножестве страховых документов получены до последней коррекции и ожидают повторного измерения. Поддерживаемые языки по метаданным — английский, китайский и хинди. Модель распространяется по лицензии AGPL-3.0.

InkErase — модель для удаления рукописных чернил и пометок с изображений документов. Согласно карточке, модель разработана на архитектуре U-Net++ с кодировщиком ResNet-50 и принимает RGB-изображение, возвращая RGB-изображение с удалёнными чернилами. Для обработки крупных изображений предусмотрен скрипт разбиения на фрагменты с последующим объединением результата; размеры, не кратные 32, могут потребовать дополнения или изменения размера изображения. Модель предназначена для очистки сканов и фотографий документов от рукописных пометок. Веса опубликованы в формате SafeTensors, а исходный чекпойнт PyTorch Lightning можно использовать для продолжения обучения или воспроизведения экспериментов. В метаданных Hugging Face указано дообучение microsoft/resnet-50 и лицензия Apache-2.0; README при этом указывает MIT, поэтому условия лицензирования требуют сверки с файлами репозитория.

Mohammed422/invoices-donut-model-v1 — мультимодальная модель типа image-text-to-text, опубликованная пользователем Mohammed422 на Hugging Face. По доступным данным, это дообученная версия архитектуры Donut, предназначенная для извлечения структурированной информации из изображений счетов и других документов без отдельного OCR-конвейера. Модель использует архитектуру vision-encoder-decoder, работает через библиотеку Transformers и распространяется в формате Safetensors. Метаданные указывают размер около 0,2 млрд параметров. Поддерживаемые языки, длина контекста и лицензия в доступных источниках не подтверждены.

Llama-xReadable-11B-zhTW-OCR-v3 — модель оптического распознавания символов для традиционного китайского языка Тайваня, разработанная облачной компанией 云碩科技 (xCloudinfo) на базе Meta Llama 3.2 11B Vision Instruct. Это плотная мультимодальная модель семейства mllama с возможностью диалога и анализа изображений; она принимает изображения документов и выдаёт распознанный текст. Модель дообучена для печатных и сканированных документов, квитанций, заметок и смешанного китайско-английского текста; результат нормализуется в традиционное китайское письмо. В оценках на шрифтах, не встречавшихся при обучении, модель показала низкую долю посимвольных ошибок на печатном тексте. Распознавание рукописей остаётся экспериментальным и требует проверки человеком; бледный или неразборчивый почерк распознаётся хуже. Для таблиц и сложной разметки рекомендуется предварительно разделить изображение на строки или ячейки. Английские фрагменты поддерживаются, но данных для них меньше. Модель распространяется в формате bf16 safetensors по лицензии Llama 3.2; для запуска подходят Transformers и vLLM, требуется около 21 ГБ для весов и рекомендуется GPU с 24 ГБ видеопамяти или больше.

MiniCPM-V 4.5 — мультимодальная модель OpenBMB для диалога и понимания изображений, нескольких изображений и видео. По README, её языковая часть основана на Qwen3-8B, а визуальная — на SigLIP2-400M; архитектура включает единый 3D-ресэмплер для сжатия видеокадров. В метаданных указано 7,6 млрд параметров, библиотека Transformers и контекст 40 960 токенов. Модель предназначена для описания и анализа изображений и видео, распознавания текста, разбора документов и визуальных вопросов и ответов. README заявляет поддержку более 30 языков, обработку изображений высокого разрешения до 1,8 млн пикселей и видео с частотой до 10 кадров в секунду. Доступны переключаемые режимы быстрого и углублённого рассуждения; разработчики также отмечают поддержку локального запуска и интерфейса вызова инструментов. Возможности и показатели качества в README основаны на оценках разработчиков и бенчмарках; фактическое качество зависит от сценария и оборудования. Модель выпущена под лицензией Apache-2.0.

nandraj/NaviDC-OCR-GGUF — это конвертированная в формат GGUF версия мультимодальной Vision-Language Model NaviDC-OCR, разработанной организацией StarDoc-AI. Репозиторий nandraj не содержит оригинальных обучающих весов и не заявляет о дополнительном обучении или дообучении модели. Модель предназначена для анализа цифровых и сфотографированных документов. Она поддерживает OCR и извлечение текста, разбор документов, распознавание таблиц и формул, анализ структуры и расположения элементов, определение порядка чтения, обработку искажённых документов, а также понимание научных документов. Модель имеет около 1,2 млрд параметров и работает с изображениями и текстом; точные сведения о языках и размере контекста в README не указаны. Основной формат распространения — GGUF для локального запуска через llama.cpp и совместимые среды, включая сценарии на CPU и GPU. Доступны варианты с разным уровнем квантования от F16 до Q2_K–Q8_0, а мультимодальный компонент поставляется отдельно в файле MMProj. Для работы требуется пропатченная сборка llama.cpp: стандартная версия не загружает модель из-за ошибки проверки размеров тензоров. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Jasper022/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой NVIDIA: Nemotron 3 Nano Omni (free), поэтому описание составлено по ней. NVIDIA Nemotron 3 Nano Omni — разработанная NVIDIA мультимодальная модель семейства Nemotron Nano для понимания текста, изображений, аудио и видео. Она предназначена для корпоративных сценариев: ответов на вопросы и суммаризации мультимедийных материалов, транскрибации речи, анализа документов и GUI, а также для рабочих процессов с агентами. Модель поддерживает OCR, понимание речи и видео, плотные описания видео и извлечение информации из сложных деловых документов. Её можно применять в службе поддержки, медиа и развлечениях, обработке договоров и финансовых документов, а также в браузерных и почтовых агентах. В метаданных указана архитектура NemotronH_Nano_Omni_Reasoning_V3, тип dense и библиотека Transformers; веса опубликованы в формате safetensors. README рекомендует начинать развёртывание с длины контекста 131072 токена на Spark, но это рекомендация по настройке, а не заявленный предел контекста. Модель улучшена с использованием Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. README сообщает о доступности для коммерческого использования, тогда как метаданные обозначают лицензию как other; перед внедрением следует проверить условия лицензии в карточке. Модель рассчитана на мультимодальные корпоративные задачи, но карточка не приводит количественных оценок качества.

NVIDIA Nemotron 3 Nano Omni — разработанная NVIDIA мультимодальная модель семейства Nemotron Nano для понимания текста, изображений, аудио и видео. Она предназначена для корпоративных сценариев: ответов на вопросы и суммаризации мультимедийных материалов, транскрибации речи, анализа документов и GUI, а также для рабочих процессов с агентами. Модель поддерживает OCR, понимание речи и видео, плотные описания видео и извлечение информации из сложных деловых документов. Её можно применять в службе поддержки, медиа и развлечениях, обработке договоров и финансовых документов, а также в браузерных и почтовых агентах. В метаданных указана архитектура NemotronH_Nano_Omni_Reasoning_V3, тип dense и библиотека Transformers; веса опубликованы в формате safetensors. README рекомендует начинать развёртывание с длины контекста 131072 токена на Spark, но это рекомендация по настройке, а не заявленный предел контекста. Модель улучшена с использованием Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. README сообщает о доступности для коммерческого использования, тогда как метаданные обозначают лицензию как other; перед внедрением следует проверить условия лицензии в карточке. Модель рассчитана на мультимодальные корпоративные задачи, но карточка не приводит количественных оценок качества.

Карточка модели Pq234/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.

Next OCR 8B — мультимодальная модель с 8 млрд параметров, разработанная Lamapi для оптического распознавания символов и анализа документов. Она принимает изображения и текстовые инструкции, извлекает текст из изображений, документов и скриншотов, а также предназначена для понимания математических выражений, таблиц, форм и других структурированных материалов. Модель реализуется через Transformers как vision-to-sequence и настроена на выполнение инструкций. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. Среди сильных сторон указаны высокая точность OCR, работа с математикой и таблицами, многоязычность, распознавание рукописного текста и текста в сценах, а также сравнительно компактный размер и эффективность для ограниченных ресурсов. В README приведены результаты собственных сравнений, однако методика и наборы данных не описаны, поэтому эти показатели следует интерпретировать с осторожностью. В README не указаны размер контекстного окна, требования к оборудованию, точный базовый архитектурный вариант и подтверждённые ограничения модели. Лицензия указана неоднозначно: в метаданных заявлена Apache-2.0, а в тексте README присутствует обозначение MIT; перед использованием необходимо уточнить, какая лицензия является действительной.

Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

Карточка модели PositronicLlama/Ovis2.5-9B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-9B, поэтому описание составлено по ней. Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

Карточка модели mario-d-robot/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.

PointerHQ/Qwen2.5-VL-72B-Instruct-Pointer-AWQ — мультимодальная instruction-tuned модель, созданная на базе Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий PointerHQ содержит исправленную версию квантованной AWQ-модели для запуска через vLLM с tensor parallel на 2, 4 или 8 GPU; для работы указана версия vllm==0.7.3. Разработчик базовой модели — команда Qwen. Модель предназначена для анализа изображений и видео, визуального распознавания и рассуждений, извлечения текста и структурированных данных из документов, счетов, форм и таблиц, анализа графиков, диаграмм, макетов и значков. Она также поддерживает визуальную локализацию объектов с помощью ограничивающих рамок или точек, вывод координат и атрибутов в JSON, а также сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Заявлено понимание видео длительностью более часа и поиск релевантных временных сегментов. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder ViT с оконным вниманием, SwiGLU и RMSNorm; для видео применяются динамические разрешение и частота кадров, а также временная обработка mRoPE. Размер модели — 72 млрд параметров. В README явно указан английский язык; поддержка других языков для этой версии не заявлена. Сильные стороны — мультимодальный анализ, OCR, работа с документами, графиками и видеопоследовательностями, а также эффективное распределение на несколько GPU. Ограничения — высокая вычислительная требовательность, зависимость от совместимой версии vLLM и необходимость нескольких GPU для заявленного tensor parallel. Лицензия обозначена как other, license_name — qwen; приведена ссылка на лицензию базовой модели Qwen2.5-VL-72B-Instruct.

Мультимодальная инструкционная модель Qwen2.5-VL-7B на 7,1 млрд параметров, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и отвечает текстом, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для анализа изображений и видео, извлечения данных из документов и других визуальных задач; максимальный контекст — 128 000 токенов. В метаданных указана библиотека Transformers, а карточка описывает конвертацию с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Qwen2.5-VL-7B-Instruct-unsloth-bnb-4bit — 4-битная версия instruction-tuned мультимодальной модели Qwen2.5-VL-7B, разработанной командой Qwen и распространяемой в формате Unsloth. Модель предназначена для задач image-text-to-text: анализа изображений и видео, распознавания текста, понимания документов, диаграмм, таблиц и макетов, а также визуального рассуждения и формирования структурированных ответов. В README указана поддержка английского языка. Модель содержит 7 миллиардов параметров и объединяет языковую модель с vision encoder. Для обработки видео используются динамические разрешение и частота кадров, а также механизмы временного позиционирования; заявлена работа с видео длительностью более часа и поиск релевантных временных сегментов. Модель умеет локализовать объекты с помощью bounding boxes или точек, выдавать координаты и атрибуты в JSON, а также поддерживает сценарии визуального агента, включая взаимодействие с компьютером и телефоном. К сильным сторонам относятся анализ документов и изображений, OCR, понимание графиков и таблиц, обработка длинных видео и визуальная локализация. Ограничения включают зависимость качества от входных визуальных данных и вычислительных ресурсов, а также то, что приведённые результаты относятся к базовой Qwen2.5-VL-7B и не обязательно полностью характеризуют именно 4-битную сборку. Модель распространяется по лицензии Apache-2.0.