I.4Обработка документов и форм

Qwen3-VL-235B-A22B-Instruct-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит веса в формате GGUF для базовой модели Qwen3-VL-235B-A22B-Instruct и предназначен для локального запуска через llama.cpp, Ollama и другие совместимые инструменты на CPU, NVIDIA GPU с CUDA, Apple Silicon с Metal, Intel GPU с SYCL и аналогичных платформах. Модель обрабатывает текст и визуальные данные, включая изображения и видео. Она предназначена для генерации и понимания текста, визуального анализа и рассуждений, распознавания объектов и текста, пространственного анализа, работы с длинными документами и видео, визуального программирования, а также взаимодействия с графическими интерфейсами и инструментами. Заявлена поддержка контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков для всех режимов работы не указан. Архитектура базовой модели — MoE с общим размером 235B параметров и 22B активных параметров; в составе GGUF отдельно поставляются языковая модель и vision encoder. Доступны варианты точности FP16, Q8_0 и Q4_K_M для языковой части и FP16 или Q8_0 для vision encoder, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Ограничения включают очень высокие требования к вычислительным ресурсам для крупной модели, зависимость возможностей от выбранной квантизации и совместимого программного обеспечения, а также отсутствие в README подробных количественных результатов и полного списка языков. Лицензия — Apache-2.0.

unsloth/Qwen3-VL-8B-Thinking-1M-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-8B-Thinking, подготовленная Unsloth на базе Qwen/Qwen3-VL-8B-Thinking. Модель предназначена для задач «изображение-текст»: анализа изображений и видео, генерации текста, визуального рассуждения, OCR, пространственного понимания и мультимодальных задач в STEM и математике. Thinking-редакция ориентирована на более глубокое рассуждение и доказательные ответы. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает текст, изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с длинными документами и многочасовыми видеозаписями. Среди архитектурных улучшений указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения признаков разных уровней Vision Transformer и выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — визуальное восприятие, анализ пространственных отношений и видео, распознавание текста в сложных условиях, мультимодальное рассуждение, а также возможности visual agent для взаимодействия с графическими интерфейсами и инструментами. Ограничения включают высокие требования к вычислительным ресурсам при работе с длинным контекстом, изображениями и видео, а также зависимость качества и совместимости от GGUF-квантизации и используемого движка. Для llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Лицензия — Apache-2.0.

Qwen-SEA-LION-v4-4B-VL — мультимодальная модель с 4 млрд параметров, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct на примерно 9 млн примеров инструкций для адаптации к языкам и культурному контексту Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и принимает изображения и текст, отвечая текстом; поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для визуальных вопросов и ответов, описания изображений, OCR, многоязычного общения и других задач на стыке текста и изображений. В первую очередь она адаптирована к бирманскому, индонезийскому, филиппинскому, малайскому, тамильскому, тайскому и вьетнамскому языкам; также обучалась на английском. Заявленное окно контекста — 256 тыс. токенов. Оценки охватывают общие языковые задачи, диалог, следование инструкциям, визуальные вопросы и описание изображений. Лицензия — MIT. Авторы отмечают, что модель не проходила выравнивание по безопасности и не проверялась на устойчивость к состязательным запросам; возможны галлюцинации и нерелевантные ответы, поэтому результаты следует проверять.

Модель tner/roberta-large-ontonotes5 — дообученная версия RoBERTa Large, созданная с помощью T-NER и обученная на наборе данных OntoNotes 5. Она выполняет распознавание именованных сущностей: находит в тексте людей, организации, географические названия, даты, денежные суммы, события и другие типы сущностей, присваивая метки отдельным токенам. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и принимает контекст длиной до 514 токенов. На тестовой выборке OntoNotes 5 указаны micro F1 0,909 и macro F1 0,827; качество зависит от типа сущности, особенно ниже результаты для времени, законов и произведений искусства. Для использования автор рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. В карточке указана лицензия Apache 2.0.

RT-DETR-L_wireless_table_cell_det_onnx — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она предназначена для модуля распознавания таблиц: находит области отдельных ячеек и формирует ограничивающие рамки, которые затем могут использоваться в последующих этапах анализа структуры и содержимого таблицы. Разработчик — команда PaddlePaddle; модель интегрируется с PaddleOCR и поддерживает запуск через ONNX Runtime. Модель основана на RT-DETR-L, имеет размер около 124 МБ и предназначена для обработки изображений. В README указаны языки en и zh, однако для самого обнаружения ячеек языковая поддержка напрямую не характеризуется. Заявленная Top-1 accuracy составляет 82,7%; время инференса — 35 мс в обычном режиме и 10,45 мс в высокопроизводительном режиме на GPU, а на CPU — 495,51 мс. Эти показатели относятся к совместному тестированию с RT-DETR-L_wired_table_cell_det. Модель подходит для автоматического выделения ячеек в изображениях таблиц перед их распознаванием. Ограничения включают отсутствие в README сведений о размере контекста, точном наборе данных, поддерживаемых форматах изображений и качестве на отдельных типах таблиц. Модель распространяется по лицензии Apache-2.0.

Модель viktor-shcher/sberbank-rubert-base-collection3 — дообученная версия ruBert-base для распознавания именованных сущностей в русском тексте. Она использует архитектуру BERT и решает задачу классификации токенов, размечая сущности в последовательности. Модель обучена на датасете collection3; размер составляет 205,5 млн параметров, контекст — до 512 токенов. На валидационной выборке указаны precision 0,9380, recall 0,9594, F1 0,9486 и accuracy 0,9860. Модель подходит для извлечения именованных сущностей из русскоязычных текстов. Распространяется по лицензии Apache-2.0.

Shrew — набор LoRA-адаптеров для Qwen/Qwen3.5-2B от автора репозитория btbtyler09, созданный для извлечения структурированных данных в производственном RAG-приложении. Рекомендуемый объединённый адаптер doc_processing выполняет три задачи по имени задачи в системном промпте: извлекает метаданные документа, делит текст на семантические фрагменты и составляет краткое содержание. В репозитории также представлены отдельные адаптеры для извлечения метаданных и суммаризации, обозначенные как устаревшие относительно объединённого. Адаптер имеет ранг LoRA 128 и alpha 256, его размер составляет около 256 МБ в f16. Доступны файлы в форматах safetensors и GGUF; для применения требуется базовая модель Qwen/Qwen3.5-2B. Лицензия — Apache-2.0. README описывает маршрутизацию по системному промпту и предупреждает, что для загрузки адаптера в vLLM нужно переименовать ключи весов; также требуется max-lora-rank не ниже 128. Модель ориентирована на обработку документов и не является самостоятельной базовой моделью.

vikp/surya_layout3 — модель анализа структуры документов для проекта Surya, представленная в Hugging Face. Она предназначена для сегментации изображений страниц на области макета, например при разборе документов и подготовке их к OCR. Модель построена на архитектуре EfficientViT и содержит 38,5 млн параметров; карточка показывает загрузку через EfficientViTForSemanticSegmentation в Transformers. Для распознавания макета модель принимает изображение страницы и выдаёт сегментационную разметку. Карточка указывает лицензию CC BY-NC-SA 4.0. Отдельные сведения о языковой поддержке в карточке не приводятся; сама задача анализа визуальной структуры не требует языкового ввода.

microsoft/trocr-small-handwritten — компактная модель TrOCR от Microsoft для распознавания рукописного текста на изображениях отдельных строк. Она дообучена на наборе IAM и предназначена для оптического распознавания текста (OCR). Модель использует архитектуру encoder-decoder: Transformer обрабатывает изображение, разбитое на патчи 16×16, а текстовый Transformer авторегрессионно генерирует распознанные токены. Энкодер основан на весах DeiT, декодер — UniLM. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

microsoft/trocr-small-printed — небольшая модель Microsoft для распознавания печатного текста на изображениях. Это вариант TrOCR, дообученный на наборе SROIE и впервые опубликованный в репозитории модели. Архитектура encoder-decoder объединяет визуальный Transformer-энкодер на основе DeiT и авторегрессионный текстовый Transformer-декодер на основе UniLM; изображение разбивается на патчи 16×16, по которым модель генерирует текстовые токены. Модель предназначена для OCR отдельных строк текста на изображениях. Её можно применять для извлечения печатного текста из изображений строк, в том числе в сценариях, связанных с чеками и документами, представленными в SROIE. Карточка не сообщает о поддержке других языков или о контекстном окне; специальная настройка рассчитана на SROIE. Лицензия в предоставленных данных не указана.

Unlimited-OCR-Community-FP8-Dynamic — неофициальная общественная FP8-квантизованная версия модели baidu/Unlimited-OCR, разработанной Baidu. Квантизацию выполнила ShadowRock, автор — Matt Busi. Модель предназначена для OCR и структурированного разбора документов по изображениям, включая счета, служебные записки и табличные отчёты, с поддержкой координат областей текста. Это мультимодальная vision-language модель размером 3,34 млрд параметров с MoE-архитектурой в стиле DeepSeek-V2. Она использует визуальный тракт на базе SAM-ViT-B и CLIP-L DeepEncoder с проектором, а также текстовый декодер. Применена схема FP8_DYNAMIC W8A8: веса линейных слоёв текстового декодера квантизованы в FP8, активации масштабируются динамически; визуальный тракт, эмбеддинги, выходная голова, маршрутизаторы MoE и нормализации сохранены в BF16. Заявлена мультиязычность, однако конкретный перечень языков и размер контекста в README не указаны. Основные преимущества версии — уменьшение размера чекпойнта с 6,7 до 3,9 ГБ и поддержка нативного FP8-выполнения на GPU Ada, Hopper и Blackwell. На небольшом наборе синтетических документов результаты жадного OCR совпали с BF16-базой посимвольно: CER составил 0,0 для всех тестовых примеров. Измеренная скорость декодирования — около 39,4 токена в секунду на RTX 5070 Ti с vLLM 0.26.0, что ниже показателя BF16 45,3 токена в секунду. Полноценные гарантии качества на реальных данных, ограничения по разрешению, контексту и языкам README не описывает. Модель распространяется по лицензии MIT. Это community-сборка, не официальный релиз Baidu; изменена числовая точность весов текстового декодера, поэтому совместимость и качество следует проверять в целевой конфигурации. Для запуска указана интеграция с Transformers и vLLM, требуется разрешение удалённого кода.

HAMMALE разработала компактный классификатор изображений документов на базе ViT-Tiny в рамках исследовательской стажировки в Laboratory of Complex Systems, Ecole Centrale Casablanca. Модель обучена методом дистилляции знаний от microsoft/dit-large-finetuned-rvlcdip на наборе RVL-CDIP и предназначена для отнесения изображений документов к 16 категориям, включая письма, формы, счета, резюме, научные публикации и презентации. В карточке указана точность 0,9210. В метаданных размер модели составляет 7,1 млн параметров; README приводит оценку около 5,5 млн и сообщает, что модель примерно в 55 раз меньше учителя. Модель работает с изображениями и выдаёт классы документов. Лицензия — Apache-2.0.

Карточка модели TraiNC/vlm_ocr_lora_5e на Hugging Face совпадает с карточкой TraiNC/vlm_ocr_lora, поэтому описание составлено по ней. TraiNC/vlm_ocr_lora — дообученная TraiNC модель на базе мультимодальной Qwen3.5-0.8B от Unsloth. Она предназначена для задач «изображение-текст», в частности для OCR и извлечения текста с изображений и документов. Архитектура — плотная Qwen3.5 с поддержкой зрения; репозиторий содержит веса Safetensors. Модель рассчитана на англоязычные сценарии. Модель принимает изображения и текстовые запросы, а выдаёт текст. Она может подойти для распознавания текста на изображениях, извлечения полей из документов и прототипирования OCR-процессов. В карточке указаны лицензия Apache-2.0 и дообучение с использованием Unsloth и библиотеки TRL; параметры контекста и результаты оценки качества не приведены.

WeVisDoc-2B-GGUF — GGUF-сборка компактной мультимодальной модели WeVisDoc-2B, разработанной Tencent и дообученной на базе Qwen3-VL-2B-Instruct. Модель предназначена для сквозного разбора документов: по изображению страницы она формирует структурированный вывод в Markdown, включая формулы в формате LaTeX и таблицы в HTML. Поддерживаются английский и китайский языки, а основной сценарий применения — извлечение и структурирование содержимого документов, а не универсальные задачи компьютерного зрения и языка. Модель содержит около 2 млрд параметров и ориентирована на развёртывание в условиях ограниченных ресурсов. Репозиторий предоставляет варианты GGUF-квантизации от Q3_K до Q8_0, а также мультимодальные проекционные файлы; размеры основных файлов составляют примерно от 1,07 до 4,07 ГБ. Согласно README, WeVisDoc-2B показывает высокие результаты на OmniDocBench v1.6 и PureDocBench, в отдельных настройках превосходя более крупные модели. При этом конкретное значение контекстного окна в карточке не указано, а устойчивость на реально деградировавших документах ниже, чем на чистых и цифрово деградировавших данных. Модель распространяется по лицензии Apache 2.0. Для запуска доступны llama.cpp и Transformers; серверное развёртывание через vLLM требует версии не ниже 0.11.1. Ключевые ограничения — специализация на разборе документов, поддержка только английского и китайского языков, а также возможная потеря качества при использовании более агрессивных вариантов квантизации.

Ali-0111/applied-nlp-ner-stage4-distilbert — модель распознавания именованных сущностей на основе distilbert-base-cased, дообученная командой или автором Ali-0111 для прикладной задачи NER. Она классифицирует токены текста, выделяя сущности, включая суммы, профессии и местоположения. Модель подходит для извлечения таких данных из текстовых документов; контекст составляет 512 токенов. На тестовом наборе Stage 4 модель получила F1=0,742 и accuracy=0,903; для метки AMOUNT F1 составляет 0,867, для JOB — 0,781, для LOCATION — 0,740. Итоговый F1 ниже результата Stage 3 (0,803), согласно карточке из-за изменения данных. Модель опубликована в формате safetensors. Лицензия в метаданных обозначена как unknown.

Это модель Gherman для распознавания именованных сущностей в русскоязычном тексте. Она создана дообучением многоязычного энкодера BERT google-bert/bert-base-multilingual-cased и содержит около 205,1 млн параметров. Модель использует архитектуру BertForTokenClassification и принимает текст длиной до 512 токенов. Модель размечает имена и фамилии людей, отчества, а также географические названия: страны, регионы, города, районы, улицы и номера домов. Она предназначена для извлечения информации, анализа содержания и предварительной обработки текста для последующих NLP-задач; разметка выполняется в формате BIOLU. В карточке сообщается F1 0,988 на оценочном наборе, однако качество может меняться в зависимости от тематики и стиля текста. Модель распространяется по лицензии MIT. Она может хуже распознавать редкие или сложные имена и наследовать смещения обучающих данных; результаты следует проверять, особенно в приложениях, затрагивающих людей.

ArBert/bert-base-uncased-finetuned-ner — модель BERT для распознавания именованных сущностей, созданная дообучением bert-base-uncased. Она классифицирует токены входного текста, например, чтобы выделять сущности в последовательности. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, контекст — до 512 токенов. В карточке приведены результаты оценки: F1 0,9133, точность 0,9068, полнота 0,9200 и accuracy 0,9787. Название и базовая модель указывают на uncased-вариант BERT; подробности о классах сущностей и языке обучающего набора не приведены. Лицензия — Apache-2.0.

HooshvareLab/bert-fa-base-uncased-ner-peyma — модель для распознавания именованных сущностей в персидском тексте, разработанная на основе ParsBERT v1.1 и дообученная командой HooshvareLab на персидских корпусах. Она использует архитектуру BERT с классификацией каждого токена и размечает сущности в формате IOB: организации, денежные суммы, местоположения, даты, время, имена людей и проценты. Модель предназначена для извлечения структурированных сведений из персидских текстов, например для поиска организаций и персон в новостях или выявления дат и денежных сумм в документах. В README для набора PEYMA сообщается результат F1 93,40. Контекст модели составляет 512 токенов, размер — около 190 млн параметров; доступны версии весов PyTorch, TensorFlow и Flax. Модель поддерживает персидский язык и распространяется по лицензии Apache-2.0. Она ориентирована на NER и категории набора PEYMA; README не сообщает оценок для других языков, доменов или наборов сущностей.

vikp/cleaner — текстовая генеративная модель на архитектуре GPT-NeoX с 1,7 млрд параметров и контекстом 2048 токенов. Разработчик описывает её как инструмент для очистки извлечённого из PDF и EPUB текста и преобразования его в Markdown. Модель предназначена для удаления колонтитулов, номеров страниц и других помех в тексте документов перед дальнейшей работой с ним. В карточке указан формат PyTorch. Сведения о базовой модели и лицензии отсутствуют, поэтому их нельзя определить по предоставленным данным.

Solstice-AI публикует GGUF-сборку DeepSeek-V4-Flash-Vision-UNCENSORED для локального мультимодального диалога и анализа изображений. В ней используются MoE-веса MXFP4 с 305 млрд параметров, включая 256 маршрутизируемых экспертов и около 18 млрд активных параметров на токен; визуальный энкодер сохранён в BF16. К сборке приложены спекулятивные черновые модели DSpark для ускорения вывода. Заявлена длина контекста 1 048 576 токенов. Модель принимает текст и изображения и выдаёт текст; среди подходящих сценариев — визуальные вопросы и ответы, анализ документов и графиков, а также задачи программирования и рассуждений в диалоге. Карточка приводит высокие результаты в ряде бенчмарков, включая DocVQA и ChartQA, но эти показатели заявлены автором и не гарантируют аналогичного качества в конкретной среде. Сборка распространяется по лицензии MIT. В README упоминается режим UNCENSORED, поэтому её ответы могут содержать материалы, которые обычно ограничиваются отказами.

HooshvareLab/distilbert-fa-zwnj-base-ner — модель DistilBERT, дообученная для распознавания именованных сущностей в персидском тексте. Она размечает токены как даты, события, объекты инфраструктуры, местоположения, денежные суммы, организации, проценты, имена людей, продукты и время. Обучающий набор объединяет данные ARMAN, PEYMA и WikiANN. Модель предназначена для извлечения сущностей из персидских документов и текстов, например для последующей индексации или анализа. Контекст составляет до 512 токенов; доступны веса в форматах PyTorch и TensorFlow. В указанной оценке на тестовой выборке общий F1 составляет около 0,951, при этом качество различается по типам сущностей. Карточка не сообщает лицензию, поэтому условия использования определить по имеющимся данным нельзя. Результаты зависят от типа текста и могут быть слабее для сущностей, представленных в обучении ограниченно; модель размечает последовательности токенов, а не генерирует ответы.

onnx-community/distilbert-NER-ONNX — это ONNX-версия модели dslim/distilbert-NER, автоматически конвертированная и опубликованная сообществом onnx-community. Модель предназначена для задачи распознавания именованных сущностей (NER), то есть для выделения в тексте фрагментов, относящихся к людям, местам и другим сущностям, поддерживаемым исходной моделью. Её можно использовать для токен-классификации, например в JavaScript-приложениях через библиотеку Transformers.js. Из README известно, что модель основана на DistilBERT и предоставляется в формате ONNX. Конкретные размер модели, архитектурные параметры, поддерживаемые языки, максимальная длина контекста и набор классов сущностей в карточке не указаны. Формат ONNX ориентирован на выполнение модели в совместимых средах, включая сценарии с Transformers.js. Лицензия в README не указана, поэтому условия использования требуют дополнительной проверки.

Docling Model for Layout — модель обнаружения объектов на основе RT-DETR для определения структуры и элементов макета документов. Она входит в проект Docling и предназначена для анализа расположения элементов на страницах документов; модель распространяется в формате Safetensors и загружается через Transformers. В карточке указана внутренняя выборка для распознавания структуры документов. Лицензия — Apache 2.0.

Donut — модель для ответов на вопросы по изображениям документов, разработанная командой NAVER CLOVA и дообученная на наборе DocVQA. Она принимает изображение документа и текстовый вопрос, затем генерирует ответ на естественном языке. Архитектура сочетает визуальный энкодер Swin Transformer и текстовый декодер BART; модель работает по схеме vision-encoder-decoder. В отличие от OCR-конвейера, Donut напрямую преобразует изображение в текст, не требуя отдельного этапа распознавания текста. Модель рассчитана на визуальный вопросно-ответный анализ документов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель специализирована на DocVQA; точность может снижаться на документах, отличающихся от обучающих данных, и при вопросах, требующих информации, отсутствующей или плохо читаемой на изображении.

Экспериментальная копия весов dots.ocr от RedNote HiLab с исправленной конфигурацией для запуска через Transformers. Модель предназначена для анализа изображений документов и преобразования их содержимого в текст, в том числе в формате Markdown; архитектура — плотная модель DotsOCRForCausalLM с 1,5 млрд параметров, работающая с изображениями и текстом. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Исправление устраняет ошибку инициализации video_processor, из-за которой инференс не запускался в актуальных версиях Transformers. Репозиторий содержит веса в формате safetensors и имеет лицензию MIT. Автор карточки называет эту версию экспериментальной и рекомендует более новые версии исходной модели; также указано, что скопированные веса нельзя использовать для других целей.

Florence-2-large-ft — преобразованный для Transformers чекпойнт модели Florence от Microsoft, дообученный для набора задач компьютерного зрения. Модель использует плотную архитектуру Florence-2 с генерацией последовательностей по текстовым запросам; размер исходной Florence-2-large составляет 0,77 млрд параметров. Она принимает изображение и текстовый запрос, а в ответ может создавать подписи и описания, распознавать текст, находить объекты и области изображения, связывать фразы с областями и предлагать регионы. Модель предназначена для универсального анализа изображений, включая создание подписей, OCR и визуальные вопросы и ответы. В карточке указано, что этот вариант продолжает предобучение Florence-2-large на 0,1 млрд примеров; автор предупреждает, что такое обучение могло оказаться недостаточным. Для OCR в этой версии используется символ перевода строки между строками. Контекст — 4 тысячи токенов. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

gliner-community/gliner_medium-v2.5 — мультиязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Ihor Stepanov, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный энкодер на основе трансформера BERT и позволяет извлекать сущности типов, заданных пользователем, вместо работы только с фиксированным набором классов. Модель предназначена для разметки текста и извлечения сущностей в сценариях, где нужна гибкость NER при меньших вычислительных затратах, чем у крупных языковых моделей. Для работы используется библиотека GLiNER; модель публикуется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

GLiNER-small-PII — модель распознавания именованных сущностей, разработанная Vicgalle путём дообучения gliner-community/gliner_small-v2.5 на синтетическом наборе данных urchade/synthetic-pii-ner-mistral-v1. Она предназначена для поиска и классификации персональных данных в текстах, включая имена, организации, контакты, адреса, номера удостоверений, финансовые и медицинские сведения, а также другие идентификаторы. Модель использует архитектуру GLiNER и решает задачу token-classification. Карточка перечисляет поддержку английского, французского, немецкого, испанского, португальского и итальянского языков. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель подходит для первичного выявления конфиденциальных фрагментов в документах и текстовых потоках. Порог извлечения влияет на полноту результатов; распознавание не гарантирует обнаружения всех сущностей и может требовать проверки человеком, особенно для чувствительных или регулируемых данных.

Карточка модели khaojai-it/GLM-4.6V-Flash на Hugging Face совпадает с карточкой unsloth/GLM-4.6V-Flash, поэтому описание составлено по ней. GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.

GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.