I.4Обработка документов и форм

UniNER-7B-all — модель семейства Llama, представленная проектом Universal-NER и предназначенная для извлечения именованных сущностей из текста. Она обучена на сочетании синтетических наборов Pile-NER, созданных ChatGPT, и данных 40 размеченных наборов бенчмарка Universal NER; из обучения исключены CrossNER и MIT для оценки переноса на новые данные. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый запрос для генерации ответа с извлечёнными сущностями. Контекст — до 2048 токенов. Репозиторий распространяется в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

BROS (BERT Relying On Spatiality) — предобученная модель команды NAVER CLOVA, разработанная для извлечения ключевой информации из документов с учетом текста и его расположения. Она принимает результаты OCR в виде пар «текст и ограничивающая рамка» и формирует признаки для последующих задач анализа документов, например извлечения упорядоченного списка товаров из чека. Модель построена на архитектуре BROS и предназначена для документов, где важны одновременно содержание текста и пространственная структура страницы. Репозиторий содержит вариант bros-base-uncased с 136,7 млн параметров, контекстом до 512 токенов и весами PyTorch. В README также упоминается более крупный вариант BROS, но этот репозиторий содержит базовую модель. Модель рассчитана на извлечение информации из документов после OCR; она не принимает изображение документа напрямую. README не указывает конкретные языки или лицензию, поэтому их нельзя определить по имеющимся данным.

Microsoft DiT Large — трансформерный энкодер для классификации изображений документов. Модель предварительно обучена на 42 млн изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тыс. изображений в оттенках серого, распределённых по 16 классам. Архитектура DiT идентична BEiT; модель содержит 411 млн параметров. Основное применение этой версии — классификация сканов и изображений документов. Энкодер также может извлекать векторные представления документов, а предварительно обученная архитектура подходит для дальнейшей настройки на распознавание структуры страниц и обнаружение таблиц. Изображения разбиваются на патчи размером 16×16. Модель принимает изображения и выдаёт классовые предсказания; для использования требуется совместимый код инференса, например Transformers с PyTorch. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

Adaptive Classifier — классификатор типов документов на основе answerdotai/ModernBERT-base, опубликованный под идентификатором adaptive-classifier/document-type. Модель использует эмбеддинги размерности 768 и поддерживает непрерывное обучение с добавлением новых классов. В карточке описаны пять классов: договор, электронное письмо, счёт, служебная записка и отчёт; для каждого приведено по пять примеров. Модель предназначена для классификации текстов документов и сценариев, где набор категорий может изменяться со временем. Прототипы классов обновляются каждые 10 примеров. Для каждого класса требуется не менее трёх примеров; поддерживается не более 150 примеров на класс. Файлы модели представлены в формате safetensors, лицензия — Apache-2.0.

Donut base — модель для разбора изображений документов, дообученная командой Donut на наборе данных CORD. Она построена по архитектуре vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер на основе BART генерирует текст. Модель предназначена для извлечения структурированной информации из изображений чеков и других документов, похожих на примеры из CORD. В отличие от OCR-конвейера, требующего отдельного распознавания текста, модель напрямую преобразует изображение документа в текстовое представление. Репозиторий содержит веса PyTorch; лицензия — MIT. Настройка на CORD ограничивает надёжность на типах документов и форматах, отличающихся от обучающих данных.

llmware/dragon-mistral-7b-v0 — языковая модель из серии dRAGon, разработанная компанией llmware. Она дообучена на базе Mistral-7B-Base с ориентацией на фактологичные ответы по сложным деловым, юридическим и нормативным документам, снижение галлюцинаций и выдачу коротких, понятных ответов для автоматизации рабочих процессов. Модель предназначена для сценариев Retrieval-Augmented Generation (RAG), включая ответы на вопросы по предоставленному контексту, извлечение пар «ключ–значение» и базовое суммирование. Указанный язык — английский. Архитектура — Mistral-7B; размер контекста и другие параметры не приведены. По результатам двух прогонов RAG-Instruct-Benchmark-Tester модель получила средний показатель правильных ответов 96,5 из 100, 92,5% по классификации отсутствия ответа, 97,5% в задачах с ответами «да/нет» и 81,25% в задачах на математику и логику. В тестах галлюцинаций не наблюдалось. Сильные стороны модели — работа с закрытым контекстом, извлечение фактов, ответы на вопросы по таблицам и сложным документам, а также пригодность для корпоративных процессов в финансовой, юридической и регулируемой сферах. Ограничения включают возможную неточность или неполноту ответов, поэтому необходимы проверка фактов и защитные механизмы. Для использования указана лицензия Apache 2.0; модель доступна через Transformers и требует специального формата промпта с контекстом документа и вопросом.

DRAGON-QWEN-7B — модель серии dRAGon от llmware, дообученная для ответов на вопросы по сложным деловым и юридическим документам. Она основана на Qwen2-7B-Base и использует архитектуру Qwen2 с плотной causal language model на 7,1 млрд параметров; принимает текст и генерирует текст. Модель предназначена для RAG-сценариев: ответов по предоставленному контексту, извлечения пар ключ-значение и краткого суммирования. В карточке заявлены английский язык и контекст до 131 072 токенов. Разработчик сообщает о настройке на фактические ответы, снижении галлюцинаций и пригодности к автоматизации рабочих процессов; в одном тестовом прогоне квантованной версии GGUF указаны 99 правильных ответов из 100. Это результат отдельного теста разработчика, а не гарантия качества в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

solvi-ai/extract-base — англоязычная модель извлечения полей из документов, разработанная Solvi. По документу и обычному текстовому описанию нужного поля модель находит соответствующий фрагмент, оценивает уверенность или сообщает, что поле отсутствует. Она предназначена для извлечения дат, сумм, имён и договорных условий, а также для дообучения на размеченных документах конкретной организации. В основе — ModernBERT-large с линейной головой предсказания начала и конца фрагмента; модель содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Длинные документы обрабатываются перекрывающимися окнами по 1024 токена. Обучение проводилось на примерах SQuAD 2.0, CUAD и CORD v2; доступны веса Safetensors и экспорт ONNX. README приводит результаты на договорах, чеках и наборах вопросов и ответов, но отмечает заметные ограничения при извлечении невиданных полей без примеров. Модель лучше подходит как начальная точка для последующего дообучения: для производственного применения автор рекомендует разметить примерно 25–100 документов и настроить пороги на отложенных данных. Она поддерживает только английский язык; другие типы документов не проверялись, а оценки уверенности не являются калиброванными вероятностями. Лицензия — Apache-2.0.

urchade/gliner_multi-v2.1 — многоязычная модель распознавания именованных сущностей (NER), разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее фиксированный набор меток недостаточен. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций или пользовательских категорий. Размер этой версии — 209 млн параметров; для работы используется библиотека GLiNER. В карточке указана поддержка нескольких языков, но конкретные языки не перечислены. По сравнению с крупными языковыми моделями GLiNER рассчитана на более лёгкое и практичное распознавание сущностей в условиях ограниченных ресурсов. Лицензия — Apache-2.0.

onnx-community/granite-docling-258M-ONNX — ONNX-версия модели granite-docling-258M, разработанной IBM Granite и опубликованной сообществом onnx-community. Модель предназначена для преобразования изображений страниц документов в структурированное представление Docling с использованием сценариев image-to-text и Vision2Seq. Она может обрабатывать страницы научных статей и другие документные изображения, извлекая текст и элементы разметки с координатами. Модель использует связку vision encoder, текстовых embedding-слоёв и decoder-модели, экспортированных в ONNX для запуска через Transformers.js или ONNX Runtime. Заявленный размер базовой модели — 258M параметров. Поддерживается мультимодальный ввод изображений и текстовых инструкций; в README приведён запрос на преобразование страницы в Docling. Максимальная длина генерируемого ответа в примере составляет 4096 новых токенов, однако общий размер контекста и перечень поддерживаемых языков не указаны. К сильным сторонам относятся компактный размер, возможность локального запуска в браузере или через ONNX Runtime, потоковая генерация и структурированный формат вывода с элементами документа и координатами. Разбиение изображения на несколько фрагментов может повысить точность, но увеличивает потребление памяти. README не содержит результатов бенчмарков, подробностей о качестве на разных типах документов или ограничениях по языкам, поэтому возможности модели за пределами описанных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

ItalianNERXXL — модель разметки именованных сущностей на основе BERT, опубликованная Michele Montebovi. Она предназначена для извлечения из итальянского текста 52 типов сущностей, включая имена и адреса, контакты, банковские и налоговые реквизиты, юридические сведения, медицинские данные и сведения о лекарствах. Модель подходит для автоматической разметки документов и поиска чувствительной информации в итальянских текстах. Модель содержит 137,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README заявлена точность 79%; это начальный выпуск, а заявленные планы регулярных улучшений не гарантируют качество на новых данных. Распознавание чувствительных реквизитов и медицинских или юридических сущностей следует проверять на целевом наборе текстов. Лицензия — Apache-2.0.

JSONify-Flux-Large — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL-7B-Instruct, настроенная на изображения, созданные Flux, и соответствующие им описания. Она предназначена для описания изображений, визуальных вопросов и рассуждений, распознавания текста на изображениях и решения математических задач с выводом в формате JSON; поддерживает многошаговый диалог и анализ видео. Модель содержит 7,1 млрд параметров, принимает изображения и текст, выдаёт текст, а максимальный контекст составляет 32 768 токенов. В карточке заявлена поддержка английского и китайского языков, а также распознавание текста на японском, арабском и ряде европейских языков. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит независимых сравнительных результатов, поэтому заявления о высокой точности и длительности поддерживаемого видео не следует считать подтверждёнными гарантиями качества.

hmart824/layoutlmv3-finetuned_1.1 — дообученная модель Microsoft LayoutLMv3-base для классификации токенов в документах. Архитектура LayoutLMv3 объединяет обработку текста, изображений и структуры страницы; модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. В README приведены результаты оценки: F1 0,9968, точность 0,9972 и полнота 0,9966, однако набор данных и условия оценки не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие документы. Модель подходит для извлечения и разметки сущностей в отсканированных или цифровых документах, когда важны текст и его расположение на странице. Языки и конкретные типы документов не уточнены. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и не допускает коммерческого использования.

Модель разработана Pierre Guillou и представляет собой LiLT на базе XLM-RoBERTa, дообученную для анализа структуры документов на абзацном уровне. Она классифицирует фрагменты документа по 11 типам: подпись, сноска, формула, элемент списка, колонтитулы, заголовок раздела, изображение, таблица, текст и заголовок документа. Модель использует текст и пространственные признаки разметки страницы; при обработке абзацы разбиваются на фрагменты до 512 токенов с перекрытием 128 токенов. Размер составляет 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для извлечения структуры из PDF и других документов, включая финансовые отчёты, руководства, научные статьи, законы, нормативные документы, патенты и государственные тендеры. В README указаны точность классификации токенов 86,34% и абзацев 68,15%; качество заметно различается между классами, а для сносок и заголовков документа приведён нулевой результат на оценочном наборе. Метаданные указывают языки английский, немецкий, французский и японский, а также лицензию MIT.

Llama 3.2-11B-Vision — мультимодальная модель Meta для анализа изображений и генерации текстовых ответов. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный визуальный адаптер с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 11 млрд параметров; она принимает изображения и текст, выдаёт текст и поддерживает контекст до 128 тыс. токенов. Модель предназначена для распознавания изображений, визуальных рассуждений, создания подписей и диалога по изображениям. Она подходит для визуальных вопросов и ответов, извлечения сведений из изображений документов, поиска соответствий между изображениями и текстом, а также привязки текстовых описаний к областям изображения. Для задач с изображениями официально поддерживается английский язык; в текстовых задачах также поддерживаются немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель основана на Llama 3.1 и включает визуальный адаптер; для настроенных версий семейства применяются supervised fine-tuning и обучение с обратной связью от людей. Это статический чекпойнт, обученный на офлайн-данных с отсечкой знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License — специальной лицензией с коммерческими условиями и Acceptable Use Policy.

Llama 3.2 90B Vision Instruct — мультимодальная instruction-tuned модель Meta для диалога по изображениям. Она принимает текст и изображения и генерирует текстовые ответы для визуального распознавания, рассуждений по изображению, создания подписей и ответов на вопросы о содержимом картинки. Модель построена на языковой модели Llama 3.1 с авторегрессионной архитектурой Transformer и отдельным обученным адаптером зрения с cross-attention слоями. Вариант 90B содержит около 88,8 млрд параметров, поддерживает контекст до 128 тыс. токенов и использует Grouped-Query Attention. Для текстовых задач официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; для задач с изображениями и текстом поддерживается английский. Модель подходит для визуальных вопросов и ответов, анализа документов по изображению, описания сцен, поиска соответствий между изображениями и текстом и визуальной привязки описаний к областям изображения. Она не выдаёт изображения. Модель статична, обучена на данных с отсечкой знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License и Acceptable Use Policy.

FriendliAI/MiniCPM-o-2_6 — мультимодальная модель MiniCPM-o 2.6, разработанная командой OpenBMB и размещённая FriendliAI. Это плотная end-to-end архитектура MiniCPMO на 7,1 млрд параметров с компонентами для зрения, речи и текста; модель поддерживает контекст до 32 768 токенов и работает через Transformers. Модель предназначена для диалога с изображениями, распознавания и описания аудио, синтеза речи, перевода речи, а также взаимодействия в реальном времени с потоками видео и аудио. Она поддерживает английский и китайский для двуязычного речевого диалога и заявляет мультиязычные возможности более чем для 30 языков. Среди особенностей — OCR, обработка изображений с разными пропорциями сторон, управление стилем и скоростью речи и клонирование голоса. Модель компактна для своего набора мультимодальных возможностей и рассчитана в том числе на запуск на конечных устройствах; для изображений высокого разрешения заявлена эффективная обработка по числу визуальных токенов. Для инференса доступны разные варианты, включая квантизированные сборки, однако этот репозиторий содержит safetensors. Лицензия — Apache-2.0.

NuExtract-1.5-tiny — разработанная NuMind модель извлечения структурированной информации, дообученная на Qwen/Qwen2.5-0.5B на частном высококачественном наборе данных. Она принимает текст документа и JSON-шаблон с нужными полями и генерирует заполненную структуру; модель настроена на точное извлечение, поэтому старается сохранять формулировки исходного текста. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. README заявляет поддержку английского, французского, испанского, немецкого, португальского и итальянского языков, а также работу с длинными документами. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для извлечения полей из документов и преобразования неструктурированного текста в JSON. Для более стабильного извлечения рекомендуется температура, равная нулю или близкая к ней. Русский язык среди заявленных языков не указан; качество извлечения в README не охарактеризовано численными результатами.

Occamy-1.0 APEX-I-MiniPlus-V2-GGUF — это квантованная мультимодальная версия модели Occamy-1.0, разработанной Accio-Lab и подготовленной в формате GGUF пользователем IsValorum. Модель предназначена для генерации текста, рассуждений, математических и логических задач, а также анализа изображений и оптического распознавания документов. В основе используется архитектура Qwen3_5MoeForConditionalGeneration с гибридным механизмом внимания, включающим рекуррентные слои DeltaNet и 256 микроэкспертов. На каждый токен активируется примерно 3,2 млрд параметров. Основной файл занимает 14,62 GB, или 13,62 GiB, и использует схему квантования с показателем 3,38 BPW. В комплект входит отдельный vision projector mmproj в формате Q8_0 размером 614 MB. Заявлена поддержка контекста до 256K токенов и работы в пределах 24 GB VRAM. Модель ориентирована на английский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. К сильным сторонам относятся сохранение F32 router gates, повышенная точность token output head за счёт Q6_K, защита attention gates в Q8_0 и использование не менее 3-битного квантования для ключевых экспертных блоков. Такая настройка должна обеспечивать лучшее качество и устойчивость по сравнению с плоскими 3-битными квантованиями и общими сборками APEX-I-Mini, особенно в задачах рассуждения и при работе с длинным контекстом. Ограничения связаны с потерями качества, присущими квантованной версии, значительными требованиями к памяти и необходимостью совместимого ПО, например llama.cpp. В README указана лицензия Apache-2.0.

OCR-LayoutLMv3-Invoice — модель извлечения полей из чеков и документов с разметкой, разработанная на основе microsoft/layoutlmv3-base и дообученная на наборе данных wild_receipt. Она использует архитектуру LayoutLMv3 для классификации токенов с учётом текста и пространственной структуры документа. В README приведены результаты оценки на тестовой выборке: F1 0,8789, точность 0,9268, полнота 0,8812. Модель предназначена для распознавания и классификации текстовых фрагментов в чеках и счетах, например для извлечения структурированных данных из сканов. Размер — 151,8 млн параметров, формат весов — PyTorch, длина контекста — 514 токенов. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «Сохраняй лицензию», но запрещает коммерческое использование. Карточка не описывает подробный состав меток, точный процесс OCR или поддержку языков. Приведённые метрики относятся к оценке на wild_receipt и не гарантируют аналогичное качество на других типах документов.

Ovis2-2B — компактная мультимодальная языковая модель семейства Ovis, предназначенная для работы с изображениями и текстом. Визуальный компонент построен на aimv2-large-patch14-448, языковая часть — на Qwen2.5-1.5B-Instruct. Модель использует архитектуру Ovis для структурного согласования визуальных и текстовых представлений; её разработчики улучшили обучение и подбор данных по сравнению с Ovis1.6. Модель отвечает на вопросы по изображениям, распознаёт текст на них, извлекает структурированные сведения из таблиц и графиков, а также обрабатывает несколько изображений и видео. Обучение включало данные на нескольких языках, в том числе для развития мультиязычного OCR, и было направлено на улучшение рассуждений. Карточка демонстрирует результаты на тестах понимания изображений и видео, но не приводит длину контекста. Для запуска в README приведён пример использования Transformers. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что не гарантируют полного отсутствия проблемного контента или нарушений авторских прав; также рекомендуется рассмотреть более новую версию Ovis2.5.

Ovis2-4B — мультимодальная модель семейства Ovis от разработчиков Ovis. Она объединяет визуальный энкодер aimv2-huge-patch14-448 с языковой моделью Qwen2.5-3B-Instruct; архитектура модели — плотная, класс Ovis. Модель принимает изображения и текст, а также обучалась на видео и наборах нескольких изображений, чтобы отвечать на вопросы о визуальных данных и рассуждать по их содержимому. Модель предназначена для диалоговых сценариев: описания изображений, распознавания текста и извлечения структурированных сведений из таблиц и диаграмм, а также анализа нескольких изображений и видео. В карточке заявлены улучшенное пошаговое рассуждение и многоязычный OCR; метаданные указывают английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2.5.

Phi-3-Vision-128K-Instruct — компактная мультимодальная модель Microsoft из семейства Phi-3 с плотной архитектурой Phi3VForCausalLM и 3,7 млрд параметров. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом, включая понимание изображений, OCR, а также разбор графиков и таблиц. Модель дообучена с помощью supervised fine-tuning и direct preference optimization; в карточке заявлен контекст до 128 тысяч токенов, хотя метаданные указывают native context в 4096 токенов. Модель рассчитана на применение в условиях ограниченных вычислительных ресурсов и низкой задержки, а также на создание генеративных функций с визуальным вводом. Основной язык — английский; карточка предупреждает о снижении качества для других языков. Возможны фактические ошибки, стереотипные или оскорбительные ответы, поэтому результаты следует проверять, особенно в чувствительных и высокорисковых сценариях. Лицензия — MIT.

google/pix2struct-docvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов по документам. Она использует архитектуру «кодировщик изображений — декодер текста» и дообучена для задачи DocVQA: отвечает на вопросы, опираясь на содержимое изображения документа. Модель принимает изображение документа и текстовый вопрос, а выдаёт ответ текстом. Pix2Struct предварительно обучалась разбирать скриншоты веб-страниц в упрощённую HTML-структуру; для работы с визуально расположенным текстом модель использует представление изображений с переменным разрешением. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Модель подходит для извлечения сведений из документов по запросу, например для поиска значений в формах или ответов по содержимому страниц. Её возможности за пределами визуальных вопросов и ответов по документам не подтверждены карточкой. Модель распространяется по лицензии Apache-2.0.

PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

PP-OCRv5_server_det — модель обнаружения текстовых областей из серии PP-OCRv5, разработанная командой PaddleOCR. Она предназначена для высокопроизводительных сценариев OCR и находит текст в изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, а также текст на сложном фоне и в макетах с разным размером надписей. Модель используется как модуль обнаружения текста в конвейерах PP-OCRv5 и PP-StructureV3, в том числе для анализа документов, распознавания номерных знаков и поиска текста в сценах. В README приведены метрики для китайского и английского текста, японского, древних текстов, пиньиня, повёрнутого и искажённого текста и других сценариев; среднее значение в указанной таблице составляет 0,827. Это модель обнаружения текстовых областей, а не полный OCR-конвейер: для получения текста нужны также распознавание символов и, при необходимости, другие модули предобработки и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

PP-OCRv6_medium_det — модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она локализует текст на изображениях и предназначена для использования как модуль обнаружения в OCR-конвейере, где распознавание текста выполняет отдельный модуль. Модель использует лёгкую архитектуру с LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора, построенную на блоках в стиле MetaFormer со структурной репараметризацией. В ней 15,5 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный; семейство PP-OCRv6 поддерживает 48 языков, а метаданные карточки отмечают английский и китайский. Модель подходит для серверных и других сценариев обнаружения текста в документах и промышленных изображениях. Для полного извлечения текста требуется отдельный компонент распознавания. Опубликованные метрики приведены для обнаружения и не гарантируют результат на каждом типе изображения. Лицензия — Apache 2.0.

unsloth/Qwen2.5-VL-3B-Instruct-unsloth-bnb-4bit — инструкция-дообученная мультимодальная модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в 4-битном формате квантования unsloth-bnb. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и предназначена для обработки изображений, видео и текста с использованием библиотеки Transformers. Модель поддерживает анализ объектов, текста, таблиц, графиков, документов и компоновки изображений, визуальную локализацию объектов с помощью координатных рамок или точек, структурированный вывод данных, а также понимание длительных видеоматериалов и выделение релевантных моментов. Она также ориентирована на агентские сценарии, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель на 3 миллиарда параметров и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамическое разрешение и динамическая частота выборки кадров. В метаданных указан английский язык, однако полный набор поддерживаемых языков в README не раскрыт, как и размер контекстного окна. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению, работа с визуальными документами, видео и структурированными ответами, а также поддержка агентских задач. Ограничения включают меньшую ёмкость по сравнению с версиями на 7 и 72 миллиарда параметров и неравномерные результаты на разных бенчмарках; производительность зависит от типа визуального и агентского сценария. Лицензия указана как qwen-research; подробные условия приведены по ссылке на лицензию базовой модели.

Qwen3.8-27B-abliterated-GGUF — GGUF-квантизированная версия модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, опубликованная пользователем prithivMLmods. Это вариант Qwen3.8-27B, созданный с применением abliteration — редактирования активаций, направленного на удаление поведения, связанного с отказами. Модель представляет собой плотную causal language model на 27 млрд параметров с нативным vision encoder и поддержкой обработки текста и изображений. Модель предназначена для локального запуска через llama.cpp и совместимые среды, а также для генерации и анализа текста, понимания изображений и видео, визуальных вопросов и ответов, OCR, описания изображений и видео, документного анализа и визуального рассуждения. Заявлены поддержка английского и китайского языков, контекст до 262 144 токенов с возможностью расширения до 1 млн через YaRN, а также управление глубиной рассуждений параметром reasoning_effort. Архитектура включает 64 слоя с чередованием блоков линейного внимания Gated DeltaNet и периодических слоёв Gated Attention. Доступны варианты от BF16 и F16 до Q2_K–Q8_0, что позволяет выбирать между качеством и требованиями к памяти; размеры файлов составляют примерно от 10,7 до 53,8 ГБ, отдельно поставляются мультимодальные проекторы. К ограничениям относятся отсутствие MTP-голов в формате GGUF, поэтому преимущества Multi-Token Prediction и связанной спекулятивной декодировки исходной модели недоступны. Abliteration является экспериментальным подходом и может влиять на поведение и надёжность модели. В README указана лицензия Apache 2.0.