I.4Обработка документов и форм

InternVL2_5-78B — мультимодальная модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает зрительный энкодер InternViT и языковую модель Qwen2.5-72B-Instruct в архитектуре ViT-MLP-LLM; компоненты объединены с помощью обучаемого MLP-проектора. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для диалога по изображениям, анализа нескольких изображений и видеокадров, а также для текстовой генерации. Динамическое разбиение изображений на тайлы 448×448 помогает работать с изображениями высокого разрешения; поддерживаются многоязычные сценарии, включая OCR и анализ математических диаграмм. В обучении использовано 120 млрд токенов. Длина контекста в доступных сведениях не приводится. Модель подходит для визуальных вопросов и ответов, описания изображений и видео, распознавания текста на изображениях и диалоговой генерации. Её размер 78 млрд параметров требует значительных вычислительных ресурсов; обработка нескольких изображений увеличивает расход контекста. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией в репозитории.

Модель HasanALhomsi/layoutlmv3-cord-invoice — дообученная версия microsoft/layoutlmv3-base для извлечения полей из чеков с помощью классификации токенов. Она использует текст, координаты слов и изображение документа, чтобы относить слова к полям вроде названия товара, цены, количества, налога, скидки, итога и способа оплаты. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и предназначена для обработки чеков в конвейерах распознавания и структурирования документов. Лицензия — CC BY 4.0. Модель обучена на 800 индонезийских чеках из набора CORD и использует 54 BIO-метки. Она требует заранее распознанных слов и рамок их расположения: встроенного OCR нет. Качество зависит от точности OCR, а обобщение на другие языки, макеты, счета, договоры и формы может быть ограниченным без дополнительного дообучения.

hmart824 выпустил эту модель как дообученную версию hmart824/layoutlmv3-finetuned_0.1 для классификации токенов в документах. Она построена на архитектуре LayoutLMv3 и содержит 151,8 млн параметров; формат весов — safetensors. README сообщает значение loss 0,0014 на оценочном наборе, но не описывает набор данных, метрики подробнее или целевые метки. Модель предназначена для разметки токенов с учётом текста и структуры документа. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и распространяет производные материалы на тех же условиях.

Модель Theivaprakasham/layoutlmv3-finetuned-invoice — дообученная версия microsoft/layoutlmv3-base на наборе данных счетов-фактур. Она использует архитектуру LayoutLMv3 для разметки токенов с учётом текста и визуальной структуры документа. По изображению счёта модель извлекает имя и адрес выставителя, почтовый индекс, дату оплаты, GST, дату и номер счёта, подытог и итоговую сумму. Модель содержит 151,8 млн параметров, работает в формате PyTorch и рассчитана на контекст до 514 токенов. В карточке приведены идеальные метрики на оценочной выборке: precision, recall, F1 и accuracy равны 1,0; эти результаты относятся только к указанной выборке и не гарантируют такого же качества на новых документах. Модель предназначена для извлечения полей из счетов, а не для документов произвольного типа. Лицензия в доступных данных не указана.

LFM2.5-1.2B-Thinking — текстовая модель общего назначения от Liquid AI, созданная для локального запуска на устройствах с ограниченными ресурсами. Это дообученная версия LFM2.5-1.2B-Base, основанная на гибридной архитектуре LFM2: 16 слоёв, включая блоки свёрток и GQA. В README указано 1,17 млрд параметров, а в метаданных Hugging Face — 1,5 млрд; заявленная длина контекста в README составляет 32 768 токенов, тогда как метаданные указывают 128 000 токенов. Эти значения расходятся, поэтому их следует сверить перед настройкой развёртывания. Модель предназначена для рассуждений общего назначения, агентных сценариев, извлечения данных и ответов по документам в RAG-системах. Она поддерживает вызов инструментов и рассчитана на английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Карточка описывает исходный чекпойнт в формате Safetensors и указывает поддержку Transformers и vLLM; семейство LFM2.5 также ориентировано на запуск на устройстве. README не рекомендует модель для задач, требующих обширных знаний, и программирования; дата отсечения знаний — середина 2024 года. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели на Hugging Face.

odunola/lfm-350m — это зеркальная публикация модели LFM2.5-350M от Liquid AI. Веса не изменены; в репозитории обновлён tokenizer_config.json, чтобы Transformers мог разбирать простые ответы ассистента и вызовы инструментов. Это плотная гибридная языковая модель LFM2 с 444,6 млн параметров по метаданным, 16 слоями и контекстом 128 000 токенов по метаданным. Она принимает и генерирует только текст; README описывает её как универсальную инструкционную модель для локального запуска и устройств с ограниченными ресурсами. Модель предназначена для извлечения данных, формирования структурированных ответов и вызова инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. README указывает скорость до 313 токенов в секунду на AMD CPU и запуск менее чем с 1 ГБ памяти, однако эти показатели зависят от оборудования и условий измерения. Для работы доступны Transformers и другие среды вывода. Модель дообучена на LiquidAI/LFM2.5-350M-Base и выпущена под лицензией LFM Open License v1.0. README не рекомендует её для задач, требующих обширных знаний, и программирования; контрольная дата знаний — середина 2024 года.

nielsr/lilt-roberta-en-base-finetuned-funsd — модель извлечения сущностей из документов, дообученная nielsr на наборе FUNSD с разметкой документов. Она использует архитектуру LiLT для классификации токенов с учётом текста и структуры страницы и предназначена для извлечения полей из форм и других документов с размеченными областями. Модель содержит 151,8 млн параметров, принимает текстовые токены и рассчитана на контекст до 514 токенов. На тестовой выборке указаны precision 0,8762, recall 0,8857, F1 0,8809 и accuracy 0,8068. Для применения к документам требуется передать текст с соответствующей структурной разметкой; результаты на других типах документов и языках карточкой не описаны. Модель распространяется под лицензией базовой модели; в предоставленных данных её условия не указаны.

Needle 3 — компактная языковая модель компании Cactus Compute для локального запуска на мобильных устройствах, носимой электронике, роботах, системах умного дома, автомобилях и микроконтроллерах. В метаданных указаны 175,4 млн параметров, плотная архитектура NeedleForToolCalling и контекст до 8192 токенов. Модель распространяется под лицензией Apache-2.0. Needle 3 предназначена прежде всего для вызова функций и инструментов: она выбирает подходящие функции из заданных приложением и заполняет их аргументы по запросу пользователя. Также модель извлекает структурированные данные из неформатированного текста с ограничением формата ответа грамматикой и создаёт векторные представления предложений для локального поиска, сопоставления и маршрутизации. Разработчик указывает, что модель оптимизирована для этих задач на устройствах с ограниченными ресурсами, жертвуя возможностями общего чата. Архитектура сочетает Monarch Hadamard MLP, групповое внимание с причинными свёрточными связями, память n-грамм engram и многоканальные гиперсвязи; доступны варианты глубиной от 2 до 20 слоёв. README также описывает сжатие весов и грамматическое ограничение вывода. Для распознавания речи модель может работать вместе с отдельной моделью Whistle, но Needle 3 сама по себе не является моделью распознавания речи. Ограничения включают меньшие возможности общего диалога и зависимость качества вызова инструментов от описаний функций и заданных схем.

Это конвертированное представление мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning для нативного инференса через Swift/MLX на компьютерах Apple Silicon. В репозитории сохранены веса BF16 исходной модели: значения тензоров не квантизировались, не округлялись и не обучались заново; изменена раскладка экспертных тензоров для пути MLX gather-matmul. Размер весов составляет около 66,03 ГБ. Модель предназначена для диалоговой работы и рассуждений с текстом, изображениями, аудио и видео; базовая карточка указывает сценарии транскрибации, OCR, суммаризации и обработки документов. Репозиторий поддерживает интерфейс вызова инструментов, но использует специальный нативный формат checkpoint и рассчитан на Nemotron Omni Swift/MLX runtime; он не является готовым checkpoint для Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели NVIDIA.

Minibase-NER-Standard — компактная языковая модель Minibase для распознавания и классификации именованных сущностей в тексте. Она выделяет людей, организации, места и прочие сущности и возвращает результат в структурированном JSON, что подходит для последующего автоматического разбора. Модель построена на архитектуре LlamaForCausalLM. В метаданных указано 147,8 млн параметров; README приводит контекст 2 048 токенов. Репозиторий содержит GGUF-квантизацию Q8_0, предназначенную для локального инференса, в том числе на CPU. В карточке заявлены оценка F1 95,1%, точность 91,5% и полнота 100% на тесте из 100 примеров; эти результаты относятся к описанной в README оценке и не гарантируют аналогичного качества на других данных. Указан английский язык. Лицензия — Apache-2.0.

NuNerZero ONNX — конвертированная в ONNX версия модели NuNER_Zero, размещённая пользователем deepanwa. Это модель распознавания именованных сущностей с нулевым обучением на архитектуре GLiNER: она находит в тексте сущности заданных пользователем типов. Репозиторий предоставляет веса ONNX и файлы токенизатора; запуск предусмотрен через GLiNER и ONNX Runtime. Модель подходит для извлечения заданных типов сущностей и обезличивания текста, в том числе в составе проекта Zink. ONNX-формат рассчитан на эффективный инференс; исходная карточка указывает размер файла модели около 1,85 ГБ. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые языки и длину контекста.

Ovis1.6-Gemma2-27B — мультимодальная языковая модель семейства Ovis, разработанная командой Ovis. Она сочетает визуальный энкодер SigLIP-400M с Gemma2-27B-It и структурно согласует визуальные и текстовые представления. Модель содержит 29 млрд параметров и предназначена для диалоговой работы с изображениями и текстовыми инструкциями. Модель подходит для анализа сложных изображений, ответов на вопросы по документам, графикам и таблицам, распознавания китайского и английского текста на изображениях, а также мультимодальных рассуждений. В README приведены результаты на ChartQA, InfoVQA и DocVQA. Репозиторий содержит веса в формате safetensors; для запуска указана библиотека Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2. Модель может ошибаться в визуальном анализе и рассуждениях; авторы также не гарантируют полного отсутствия проблем с авторскими правами или некорректного контента.

Ovis2-34B — мультимодальная языковая модель семейства Ovis, разработанная командой Ovis. Она сочетает визуальный энкодер и языковую модель, структурно согласуя визуальные и текстовые представления. Модель принимает изображения и текст, отвечает на вопросы о визуальном содержимом и обрабатывает видео и несколько изображений в рамках одного сценария. Модель предназначена для визуального рассуждения, распознавания текста на изображениях, извлечения структурированных данных из таблиц и диаграмм, а также диалогов по визуальным материалам. В README заявлены усиленные способности к рассуждению и многоязычному OCR; метаданные указывают поддержку чата и интерфейса вызова инструментов. Архитектура — плотная модель Ovis; веса доступны в формате safetensors. Карточка приводит результаты оценки на тестах изображений и видео. Лицензия — Apache-2.0. README рекомендует использовать более новую версию Ovis2.5. Заявленные возможности и результаты бенчмарков не гарантируют точность на конкретных данных; модель может выдавать неподходящий контент или содержать проблемы с авторскими правами, как отмечено авторами.

PP-DocLayout-L — модель PaddlePaddle для обнаружения и локализации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственной выборке китайских и англоязычных статей, журналов, контрактов, книг, экзаменационных материалов и исследовательских отчётов. Модель выделяет 23 типа областей, включая заголовки, основной текст, номера страниц, аннотации, содержание, ссылки, сноски, колонтитулы, формулы, таблицы, изображения, подписи, печати и элементы алгоритмов. Она предназначена для анализа структуры документа и может использоваться как модуль конвейера PP-StructureV3 вместе с OCR и распознаванием таблиц, печатей и формул. В описанной авторами оценке на 500 изображениях документов модель получила mAP@0.5 90,4%. Лицензия — Apache-2.0. Результат оценки получен на внутреннем наборе PaddlePaddle; качество на других типах документов может отличаться. Метаданные обозначают задачу как image-to-text, однако README описывает локализацию областей макета, а не извлечение текста.

PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

wangkanai/qwen2.5-vl-7b-instruct — мультимодальная instruction-tuned модель семейства Qwen 2.5, опубликованная пользователем wangkanai. Она предназначена для анализа изображений и генерации текстовых ответов в сценариях визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа графиков и диаграмм, а также мультимодального диалога и других задач image-to-text. Модель построена на архитектуре Qwen2.5-VL с vision-language Transformer и ViT-ориентированным визуальным энкодером, содержит около 7 миллиардов параметров и принимает текст и изображения в форматах JPEG, PNG и WebP, возвращая естественный язык. Заявленная длина контекста составляет 4096 токенов с учётом текста и изображения. Доступны варианты FP16 SafeTensors и GGUF, включая квантованные Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сочетание визуального понимания, следование инструкциям и поддержка разнообразных мультимодальных задач. Ограничения включают относительно короткий заявленный контекст, зависимость требований к ресурсам от формата и возможные потери качества при квантовании. Это abliterated-версия с уменьшенными или удалёнными ограничениями на отказы, поэтому её ответы могут быть менее безопасными и требуют дополнительного контроля при использовании. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель, основанная на Qwen/Qwen2-VL-2B-Instruct и опубликованная Unsloth. Она предназначена для обработки изображений, видео и текста, визуального вопросно-ответного взаимодействия, анализа документов и сцен, а также сценариев, где требуется принимать решения на основе визуальной информации и текстовых инструкций. Модель содержит 2 миллиарда параметров и распространяется в 4-битном формате bnb. Она поддерживает динамическое разрешение изображений, преобразуя изображения в переменное число визуальных токенов, и использует Multimodal Rotary Position Embedding (M-ROPE) для обработки текстовых, двумерных визуальных и трёхмерных видеопозиционных данных. Заявлена поддержка понимания видео длительностью более 20 минут и распознавания текста на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Сильные стороны модели — сочетание компактного размера, 4-битного квантования и мультимодальных возможностей, включая анализ изображений высокого разнообразия разрешений и пропорций, документов и видео. Ограничения, включая возможные потери качества из-за квантования и отсутствие в карточке подробных характеристик контекстного окна, производительности и требований к оборудованию, следует учитывать при выборе модели. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-72B-Instruct — мультимодальная модель компании Qwen, дообученная для следования инструкциям на основе Qwen/Qwen2-VL-72B. Она принимает текст и изображения, а также видео для визуального анализа, и формирует текстовые ответы. Модель содержит 71,5 млрд параметров, использует архитектуру Qwen2-VL с динамическим разрешением изображений и мультимодальным позиционным кодированием M-ROPE; длина контекста составляет 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и видео, анализа документов и визуального содержимого, а также диалога и создания текстового описания по визуальному материалу. Она поддерживает разные разрешения и пропорции изображений; в README также описана возможность интеграции в системы, управляющие устройствами по визуальному окружению и текстовым инструкциям. Видеовход ограничен локальными файлами, а аудио в видео модель не понимает. Согласно README, известные ограничения включают неточный подсчёт объектов, слабое пространственное рассуждение, трудности со сложными многошаговыми инструкциями и ограниченное распознавание конкретных людей и объектов интеллектуальной собственности. Данные об изображениях актуальны до июня 2023 года. Модель распространяется под лицензией с меткой Hugging Face «other»; конкретные условия лицензии следует сверить в карточке репозитория.

Qwen-VL-Chat — диалоговая визуально-языковая модель семейства Qwen, разработанная Alibaba Cloud. Репозиторий содержит чат-версию модели с 11,4 млрд параметров; архитектура плотная, класс QWenLMHeadModel, формат весов — PyTorch, контекст — до 8192 токенов. Модель принимает изображения, текст и рамки объектов и выдаёт текст и рамки объектов. Поддерживает диалог на китайском и английском языках, в том числе с несколькими изображениями в переплетённом диалоге. Модель предназначена для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях, вопросов по документам и диаграммам, а также локализации объектов по текстовому описанию. В README описана версия Int4 на базе AutoGPTQ с меньшим потреблением видеопамяти и ускоренным выводом; метаданные этого репозитория указывают формат PyTorch. Лицензия в предоставленных данных не указана.

rakedoc-nano — модель CloudRaker на архитектуре Qwen2-VL с 1,2 млрд параметров, дообученная для разбора структуры таблиц в документах. Это LoRA-дообучение florin-inc/florin-parser-nano; веса адаптера объединены с базовой моделью, поэтому отдельная загрузка адаптера не требуется. Модель используется в конвейере разбора документов CloudRaker Paperwork API и может служить заменой базовой модели в KDL pipeline. Модель принимает изображение документа и текстовый запрос, а для распознанной таблицы выдаёт структурированное представление OTSL. Дообучение проводилось на 3 000 синтетических фрагментов таблиц, включая многоуровневые заголовки, объединённые ячейки и многострочный текст. В заявленном тесте ParseBench модель набрала 86,44 балла за таблицы; показатели диаграмм и поведения вне табличного этапа близки к базовой модели. Проверка охватывала преимущественно англоязычные финансовые и страховые документы; качество на других тематиках не оценивалось. Конвейер не выводит разметку подчёркивания, выделения и блоков кода. Лицензия — AGPL-3.0.

RT-DETR-L_wired_table_cell_det — модель PaddlePaddle для обнаружения ячеек в изображениях таблиц. Она находит области ячеек и выдаёт их ограничивающие рамки, которые затем использует конвейер распознавания таблиц для дальнейшей обработки. README указывает на совместное тестирование точности с моделью RT-DETR-L_wireless_table_cell_det. Модель предназначена для этапа обнаружения ячеек в задачах распознавания таблиц и может использоваться как компонент общего конвейера PaddleOCR, который извлекает данные из таблиц и формирует HTML или Excel. В метаданных указаны PaddleOCR и языки en и zh; сама задача обнаружения ячеек ориентирована на визуальную структуру, а не на распознавание текста. Репозиторий распространяется по лицензии Apache-2.0. README не приводит отдельной оценки качества для этой модели: отмечено, что результат получен при совместном тестировании с вариантом для беспроводных таблиц.

RT-DETR-L_wired_table_cell_det_safetensors — модель PaddlePaddle для обнаружения ячеек в изображениях таблиц. Она находит области ячеек и выдаёт для них ограничивающие рамки, которые можно передать следующему этапу распознавания структуры таблицы. Модель построена на архитектуре RT-DETR; в репозитории веса представлены в формате safetensors. Модель предназначена для обработки изображений таблиц в составе конвейера распознавания документов. В README отмечено, что заявленная точность получена при совместном тестировании с RT-DETR-L_wireless_table_cell_det, поэтому результаты нельзя однозначно приписать этому компоненту отдельно. Лицензия — Apache-2.0.

SLIMER-PARALLEL-LLaMA3 — дообученная инструкционная языковая модель на архитектуре Llama 3.1 от expertai, предназначенная для извлечения именованных сущностей с нулевым обучением на заданных типах. Она принимает текст и инструкцию с определениями и рекомендациями по типам сущностей, а возвращает только JSON с найденными сущностями; за один запрос может параллельно извлекать до 16 типов сущностей. Модель рассчитана на англоязычный текст и работу с типами сущностей, которые могли не встречаться при обучении. В карточке сообщается о результатах на тестах с доменами вне обучающей выборки, включая финансовые сущности, и о преимуществе над исходной SLIMER на LLaMA 2. Веса опубликованы в формате safetensors; размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Лицензия — llama3.1.

vikp/surya_det3 — модель обнаружения текстовых строк в составе Surya, разработанная Vik Paruchuri для Surya. Она принимает изображение документа и выделяет расположение строк текста, чтобы передать их на последующие этапы OCR. Модель построена на EfficientViT с архитектурой семантической сегментации EfficientViTForSemanticSegmentation; содержит 38,4 млн параметров и распространяется в формате safetensors с весами F32. Для обучения использована база vikp/line_detector_3; в репозитории указана лицензия CC BY-NC-SA 4.0. Модель предназначена для обнаружения текста в документах и сама по себе не распознаёт и не возвращает текст. Карточка не описывает отдельные языковые ограничения детектора.

TinyBERT (4 слоя, размер скрытого представления 312) от автора gagan1985 — дообученная модель huawei-noah/TinyBERT_General_4L_312D для разбора неструктурированных индийских адресов. Она использует архитектуру BERT и классификацию токенов с BIO-разметкой, чтобы извлекать 13 полей, включая номер и название дома, улицу, населённый пункт, район, штат и почтовый индекс. Модель содержит 15,6 млн параметров, принимает текст до 512 токенов и выдаёт структурированные поля; заявленная лицензия — Apache-2.0. Модель рассчитана на автоматическое извлечение компонентов адреса в прикладных системах и на пакетную обработку адресных строк. На тестовом наборе из 228 примеров средняя точность по полям составляет 78,8%, а точное совпадение всех присутствующих полей — 10,1%. Особенно хорошо извлекается PIN-код, но для village и subLocality полнота равна нулю; также есть смысловое пересечение между полями locality, subLocality, subsubLocality и village. Ограничение длины — 512 токенов; регистр букв при классификации не учитывается, хотя исходное написание сохраняется в результатах.

TrOCR base-printed — модель оптического распознавания текста Microsoft, основанная на архитектуре encoder-decoder Transformer. Зрительный энкодер инициализирован весами BEiT, текстовый декодер — весами RoBERTa; модель дообучена на наборе SROIE. Модель предназначена для распознавания текста на изображениях отдельных строк, в том числе для сценариев OCR документов и чеков. Она разбивает изображение на патчи 16×16, кодирует их визуальным Transformer и авторегрессионно генерирует текст токенами. В карточке не приведены сведения о поддерживаемых языках и лицензии. Модель ориентирована на изображения отдельных строк, поэтому может быть неподходящей для распознавания сложной страницы целиком без предварительной обработки.

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

tjruesch/xlm-roberta-base-ner-hrl-onnx — ONNX-версия модели Davlan/xlm-roberta-base-ner-hrl, экспортированная ELAN Languages. Модель предназначена для извлечения именованных сущностей из текста и может использоваться через ONNX Runtime, Transformers.js и в сценариях обезличивания данных, включая bridge-anonymization. В основе лежит XLM-RoBERTa base для многоязычной token classification. Модель поддерживает английский, немецкий, испанский, французский, итальянский, португальский, нидерландский и другие языки. Заявлены сущности PER для имён людей, ORG для организаций, LOC для местоположений и DATE для дат, если они поддерживаются базовой моделью. Доступны полноточная версия FP32 размером около 1059 МБ и квантизованная версия INT8 размером около 265 МБ. Сильные стороны модели — многоязычность, совместимость с ONNX Runtime и уменьшенный размер INT8-варианта, что может быть удобно для локального или браузерного развёртывания. Ограничения включают зависимость набора распознаваемых сущностей от базовой модели и отсутствие в README сведений о точности, максимальной длине контекста и производительности. Модель распространяется по лицензии MIT.

Arabic-GLM-OCR-v2 — дообученная модель распознавания арабского текста на изображениях, созданная sherif1313 на базе zai-org/GLM-OCR. Она предназначена для извлечения текста из книг, рукописей, изображений и документов. Модель принимает изображение и формирует текст; карточка заявляет поддержку арабского языка и размер около 2,2 ГБ. Архитектура GLM-OCR относится к мультимодальным моделям для генерации текста по изображению. Автор заявляет о контекстном распознавании арабского текста, снижении влияния шума и исправлении орфографии. Для дословной транскрипции рекомендуется явно попросить сохранить исходное написание: модель может автоматически исправлять или перефразировать текст, а высокая температура способна ухудшить точность. README указывает, что для инференса требуется тонкая настройка управления генерацией. Лицензия — Apache-2.0.

Aria — мультимодальная модель Rhymes AI для диалогов и задач понимания изображений. Это плотная по типу архитектуры модель семейства Aria с архитектурным классом AriaForConditionalGeneration; в карточке указана архитектура Mixture of Experts с 25,3 млрд параметров всего и 3,9 млрд активируемых параметров на токен. Модель принимает текст и изображения, поддерживает мультимодальный контекст до 64K токенов и использует формат весов safetensors. Модель предназначена для ответов на вопросы по изображениям и документам, описания визуального содержимого и анализа видео. README отмечает сильные результаты в понимании видео и документов, а также обработку изображений разных размеров и соотношений сторон. Aria создана на основе rhymes-ai/Aria-Base-64K и дообучена; для запуска рекомендуется Transformers версии 4.48.0 или новее. Лицензия — Apache-2.0.