I.4Обработка документов и форм

dumitrescustefan/bert-base-romanian-ner — модель BERT для распознавания именованных сущностей, созданная дообучением bert-base-romanian-cased-v1. Она размечает румынский текст метками BIO2 и распознаёт 15 типов сущностей: людей, организации, географические объекты, даты и периоды, числа, суммы, события, произведения искусства и другие категории. Модель обучена на корпусе RONEC версии 2.0 и предназначена для извлечения сущностей из румынских текстов, например новостей или документов. Это BERT-модель с 151,6 млн параметров и контекстом до 512 токенов; веса доступны в форматах PyTorch и Safetensors. Для обработки длинных последовательностей и согласования меток с токенами README рекомендует пакет roner. Лицензия — MIT. Модель ориентирована на румынский язык; перед обработкой README рекомендует нормализовать cedilla-варианты букв ș и ț в текст с запятой снизу. При разбиении слов на несколько субтокенов нужно корректно объединять предсказанные метки.

HooshvareLab/bert-fa-zwnj-base-ner — модель BERT, дообученная для распознавания именованных сущностей на персидском языке. Она размечает текст по десяти типам сущностей: даты, события, объекты инфраструктуры, местоположения, суммы денег, организации, проценты, люди, продукты и время. Модель предназначена для извлечения таких сущностей из персидских текстов и запускается через Transformers pipeline для NER. Модель содержит 145,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для обучения использован смешанный набор данных ARMAN, PEYMA и WikiANN. В README приведена общая оценка F1 0,957 на тестовых данных; результаты зависят от типа сущности и распределения данных. Модель доступна в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

GLiNER ContractNER Multi — многоязычная модель распознавания сущностей, дообученная Agile Lab на наборе ContractNER. Она извлекает из юридических договоров фрагменты текста, соответствующие заданным типам сущностей, включая стороны договора, должности, даты, условия продления, суммы и ссылки на законы и нормативные акты. Модель основана на GLiNER Multi v2.1 с энкодером mDeBERTa-v3-base и содержит около 209 млн параметров; поддерживает задаваемые пользователем метки, а для обученной схемы предусмотрено 18 типов сущностей. Модель предназначена для предварительного анализа договоров, проверки юридических документов и мониторинга сроков действия и продления договоров. В тесте на выборке из 158 примеров она показала micro F1 72,49% при пороге 0,9. Основная оптимизация выполнена для англоязычных договоров; качество может снижаться для языков с небольшим объёмом данных, а контекст ограничен 384 токенами, поэтому для длинных документов рекомендуется обработка скользящими окнами. Модель распространяется по лицензии Apache-2.0.

DeepSeek-OCR-2-6bit — мультимодальная vision-language модель для анализа изображений и генерации текста, ориентированная прежде всего на задачи OCR и понимания визуального содержимого. Модель преобразована сообществом mlx-community в формат MLX из prince-canuma/DeepSeek-OCR-2 с использованием mlx-vlm версии 0.3.10. Модель предназначена для распознавания и описания содержимого изображений, включая сценарии обработки документов и извлечения текста. Она поддерживает мультиязычный режим, принимает изображения и формирует текстовые ответы; в README приведён пример запроса на описание изображения через mlx-vlm. Точные сведения об архитектуре, количестве параметров, размере контекста и перечне языков не указаны. Ключевая особенность этой версии — 6-битное квантование и совместимость с MLX, что может снизить требования к памяти при локальном запуске на поддерживаемом оборудовании. Ограничениями являются отсутствие в карточке подробных данных о качестве распознавания, поддерживаемых форматах и аппаратных требованиях, а также возможная необходимость custom code. Модель распространяется по лицензии Apache-2.0.

Florence-2-large — модель компьютерного зрения и обработки изображений с текстовыми запросами, размещённая в сообществе Florence Community как преобразованный чекпойнт Microsoft Florence. Это продолженное предварительное обучение Florence-2-large с контекстом 4k; автор карточки предупреждает, что для продолжения использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Архитектура — последовательность-последовательность, размер исходной Florence-2-large составляет 0,77 млрд параметров; чекпойнт представлен в safetensors и рассчитан на Transformers. Модель выполняет по текстовой инструкции генерацию подписей к изображениям, обнаружение объектов, описание областей, привязку фраз к областям, предложения регионов и OCR, в том числе с координатами распознанного текста. Она подходит для анализа изображений, извлечения текста и локализации объектов в сценариях zero-shot или после дообучения. Карточка не подтверждает конкретный набор поддерживаемых языков. Лицензия — MIT.

llmfan46 представил uncensored-вариант Gemma 4 26B A4B IT, дообученный с изменением компонента attn.o_proj. Это диалоговая мультимодальная модель для анализа изображений и генерации текста; карточка указывает на поддержку чата и vision, а также на архитектуру Gemma 4 и формат safetensors. Базовая модель разработана Google DeepMind, использует гибридный механизм внимания и рассчитана на контекст до 256 тысяч токенов. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста и рукописей, понимания графиков и интерфейсов, а также для диалогов, рассуждений, программирования и вызова инструментов. Вариант предназначен для ослабления ограничений базовой модели, однако карточка не описывает метод дообучения и не приводит отдельные оценки качества именно этой версии. Поддерживаемые базовой линейкой языковые и аудиовозможности не следует полностью переносить на этот чекпойнт: метаданные подтверждают только image-text-to-text и vision. Модель выпущена по лицензии Apache-2.0. Возможны предвзятость и пробелы в данных, ошибки в фактах и затруднения с неоднозначными или сложными запросами; маркировка uncensored также означает, что ответы могут быть менее ограничены защитными механизмами.

GLiNER small-v2.1 — модель для распознавания именованных сущностей, разработанная Урчаде Заратианой, Нади Томе, Пьером Ола и Тьерри Шарно. Она использует двунаправленный энкодер на основе трансформера, похожий на BERT, и позволяет извлекать из текста сущности разных типов, заданных пользователем, вместо работы только с фиксированным набором категорий. Модель предназначена для разметки текста и сценариев извлечения информации, в том числе там, где важно обойтись без крупных и ресурсоёмких LLM. Вариант small-v2.1 содержит 166 млн параметров, работает с английским языком и использует библиотеку GLiNER. Модель принимает текст и выдаёт найденные сущности с их типами. Для запуска требуется библиотека GLiNER. Распространяется по лицензии Apache-2.0.

gliner-community/gliner_small-v2.5 — мультиязычная модель распознавания именованных сущностей GLiNER от сообщества GLiNER. Она использует двунаправленный трансформерный энкодер BERT-типа и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее заданный фиксированный набор меток неудобен. Модель работает с текстом через библиотеку GLiNER и возвращает найденные сущности с их типами и позициями. Модель предназначена для извлечения имен, организаций, мест и других заданных пользователем сущностей из документов и текстовых потоков. В README приведены результаты оценки на нескольких наборах данных NER, включая ACE 2004, ACE 2005 и AnatEM. Репозиторий содержит веса PyTorch и safetensors; лицензия Apache-2.0 разрешает использование в соответствии с её условиями. По сравнению с более крупными LLM, GLiNER ориентирована на практичное распознавание сущностей при ограниченных вычислительных ресурсах.

unsloth/GLM-4.6V-GGUF — GGUF-версия мультимодальной модели GLM-4.6V из семейства GLM-V. Исходную модель разработала команда Z.ai, а данный вариант подготовлен Unsloth с использованием формата GGUF и методов квантования Unsloth Dynamic 2.0. Модель предназначена для облачных и высокопроизводительных кластерных сценариев, а также для задач мультимодальных агентов. GLM-4.6V поддерживает обработку изображений и текста, включая документы, скриншоты, страницы с таблицами, графиками и сложной разметкой. Она рассчитана на контекст до 128 тысяч токенов, поддерживает китайский и английский языки и имеет заявленный размер 106 млрд параметров. Ключевые возможности включают визуальное понимание, мультимодальный Function Calling, интерливинг изображений и текста, анализ длинных и многодокументных материалов, а также восстановление интерфейсов по скриншотам с генерацией и редактированием HTML/CSS. Сильными сторонами являются сочетание визуального восприятия с выполнением действий через инструменты, работа с насыщенными документами и заявленная конкурентоспособность на мультимодальных бенчмарках. Ограничения связаны с очень крупным размером модели и высокими требованиями к вычислительным ресурсам; конкретные требования к памяти и характеристики квантования в предоставленных данных не указаны. Модель распространяется по лицензии MIT.

Hiro-Layout — модель PatSnap для анализа структуры страниц патентных и технических PDF. Она обнаруживает и классифицирует области документа: текст, заголовки, таблицы, формулы, химические структуры, иллюстрации, подписи, библиографии и другие элементы, включая патентные разделы. Модель основана на RT-DETR; опубликованный артефакт — экспорт в ONNX. Таксономия включает 25 категорий. Карточка приводит результаты оценки на патентных PDF и NPD PDF, при этом качество зависит от категории и типа документа. Модель предназначена для поиска областей страницы и разметки макета как этапа обработки технических документов; Hiro-Smart-Doc использует её в процессе анализа макета и OCR. Модель принимает изображения страниц и выдаёт обнаруженные области с метками. В карточке заявлена поддержка китайского и английского языков. Условия лицензирования указаны как Apache-2.0. Модель может ошибаться на сканах низкого разрешения, повёрнутых страницах, рукописных документах, необычных форматах и ранее не встречавшихся шаблонах; для юридических и других важных процессов требуется проверка человеком.

aadhistii/IndoBERT-NER — модель для распознавания именованных сущностей в индонезийском тексте. Автор дообучил indolem/indobert-base-uncased на корпусе id_nergrit_corpus; модель построена на архитектуре BERT и содержит 137,8 млн параметров. Она принимает текст и размечает токены категориями сущностей: людей, организаций, географических объектов, дат, времени, денежных сумм, законов, событий, товаров и другими. Контекст модели — до 512 токенов. Модель предназначена для извлечения сущностей из индонезийских документов и текстов. В карточке приведены результаты оценки, включая F1 0,8253 на обучающей выборке и потери на обучающей и валидационной выборках; отдельная метрика на тестовой выборке не указана. Репозиторий содержит модель в формате TensorFlow, библиотека для работы — Transformers. Лицензия — MIT.

surdan/LaBSE_ner_nerel — модель для распознавания именованных сущностей в тексте. Она основана на cointegrated/LaBSE-en-ru и дообучена на наборе данных surdan/nerel_short. Архитектура — BERT с классификацией токенов, размер — 155,5 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. Модель предназначена для извлечения именованных сущностей из текстов, прежде всего в сценариях разметки русскоязычных документов и текстов NEREL. В метаданных также указана поддержка английского языка, однако сведения о качестве на английских данных отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

srinidhireddy1604/layoutlm-funsd — модель Microsoft LayoutLM, дообученная на наборе FUNSD для классификации токенов в документах и извлечения информации из форм. Она обрабатывает текст вместе с его расположением на странице и изображением документа; число параметров — 136,7 млн, контекст — до 512 токенов. Модель размечает поля категориями Answer, Header и Question и рассчитана на анализ англоязычных форм. В оценке на FUNSD общая точность составила 0,8047, а F1 — 0,7549; для категории Header F1 заметно ниже и равен 0,2467. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Результаты относятся к оценке на FUNSD, поэтому качество на других типах документов может отличаться.

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов. Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

LayoutXLM — мультимодальная предобученная модель Microsoft для понимания многоязычных документов с визуально значимым содержимым. Это многоязычный вариант LayoutLMv2: модель объединяет текст, расположение элементов на странице и изображение документа. В репозитории указано 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для задач document AI, где смысл зависит от сочетания текста и его размещения на странице, включая работу с документами на разных языках. В экспериментах на наборе XFUND она превзошла прежние кросс-язычные предобученные модели. Карточка описывает предобученную основу, а не специализированную прикладную систему; конкретные downstream-задачи зависят от дообучения и используемой модели-головы. Для весов указана лицензия CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение производных на тех же условиях с указанием авторства. Модель доступна в формате PyTorch.

SCUT-DLVCLab/lilt-roberta-en-base — базовая модель LiLT, разработанная SCUT-DLVCLab и представленная в работе Wang и соавторов о языково-независимом трансформере для понимания структурированных документов. Она объединяет предварительно обученный англоязычный RoBERTa с трансформером LiLT, который обрабатывает структуру и расположение элементов документа. Модель содержит 151,8 млн параметров, принимает текст вместе с информацией о компоновке и имеет контекст до 514 токенов. Модель предназначена для дообучения под классификацию изображений документов, разбор документов и ответы на вопросы по документам. LiLT позволяет сочетать языковый энкодер RoBERTa с обработкой макета, однако этот вариант использует именно англоязычный RoBERTa; поддержка других языков зависит от выбранного языкового энкодера. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

Карточка модели alpindale/Llama-3.2-11B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-11B-Vision, поэтому описание составлено по ней. 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.

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык. Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации. Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.

Meddies PII — модель Meddies для извлечения персональных данных из клинических и административных текстов. Это причинная языковая модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов; она принимает текст в формате чата и возвращает структурированный JSON со значениями из семи семейств персональных данных. Модель обучена на наборе Meddies/meddies-pii с использованием полного дообучения и последующего GRPO-выравнивания. Заявлена поддержка 17 языков, включая русский, английский, французский, немецкий, испанский, вьетнамский, тайский, бирманский, индонезийский, филиппинский, малайский, тамильский, португальский, китайский, японский и корейский. Модель предназначена для извлечения имён, дат, названий организаций, адресов электронной почты, телефонных номеров и адресов из клинических записей, выписок, административных форм и смешанных медицинских документов. В опубликованной оценке на смешанной многоязычной выборке точность F1 по сущностям составляет 0,811; сильнее всего модель распознаёт телефонные номера и электронную почту. Компактный размер подходит для экспериментов на потребительских GPU и в браузере. Модель не выполняет автоматическое удаление или обезличивание данных и не предназначена для принятия медицинских решений. В README отмечены галлюцинации извлечённых значений примерно в 1,3% случаев, слабые результаты для названий компаний, ограничения на вложенные сущности и уязвимость к намеренно уклончивым формулировкам; медицинские показатели, дозировки и возраст исключены из целевых меток. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; авторы предлагают обращаться к ним по поводу коммерческих проектов.

synapti/nci-ner-v2 — модель распознавания именованных сущностей, дообученная Synapti на основе synapti/nci-ner-v2-stage-a. Она использует архитектуру RoBERTa для классификации токенов; содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Репозиторий включает веса Safetensors и формат ONNX. Модель предназначена для выделения и классификации сущностей в тексте. В приведённой оценке на тестовой выборке получены precision 0,8651, recall 0,9020 и F1 0,8832. Языки и прикладная область в доступных сведениях не описаны. Лицензия — MIT.

Это конвертированная в формат MLX версия мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16; конверсию выполнил mlx-community с помощью mlx-vlm 0.4.5. Модель предназначена для диалогового анализа изображений и текста, а описание базовой модели также указывает на работу с аудио и видео, включая транскрибацию, OCR, суммаризацию и обработку документов. В репозитории указаны архитектура NemotronH_Nano_Omni_Reasoning_V3, формат safetensors и библиотека MLX. Метаданные связывают эту версию с базовой моделью NVIDIA и датасетом Nemotron-Image-Training-v3. Лицензия обозначена как other; подробные условия следует сверять с карточкой базовой модели. Размер параметров и длина контекста в предоставленных данных не указаны.

thelamapi/next2-air-i1-GGUF — облегчённая мультимодальная языковая модель Next2-Air, разработанная компанией Lamapi в Турции. Она основана на архитектуре Qwen 3.5-2B и содержит около 2 миллиардов параметров. Модель предназначена для локального запуска на обычных компьютерах, MacBook и периферийных устройствах, где важны высокая скорость вывода и умеренное потребление ресурсов. Модель поддерживает работу с текстом и изображениями: генерацию и анализ текста, визуальное понимание, распознавание текста в документах (OCR), ответы на вопросы по изображениям и обработку визуального контекста. Заявлены режим рассуждений с использованием разметки <think> и контекстное окно до 262 144 токенов, что позволяет работать с длинными документами, PDF-файлами и большими фрагментами кода. В метаданных указаны турецкий, английский, немецкий, испанский, французский, русский, китайский, японский и корейский языки; отдельно подчёркивается оптимизация для турецкого и английского. Next2-Air дообучалась с использованием SFT и DPO на наборах данных для инструкционного следования, рассуждений, работы с текстом и мультимодальных сценариев. К сильным сторонам относятся небольшой размер, заявленная высокая скорость, локальное выполнение, мультимодальность и длинный контекст. Ограничением является существенно меньший масштаб по сравнению с крупными моделями, поэтому качество на сложных задачах может быть ниже; README не приводит подробного анализа отказов или ограничений. Указанные результаты бенчмарков следует рассматривать как заявления разработчика. Модель распространяется по лицензии Apache 2.0.

Ovis2-1B — компактная мультимодальная модель семейства Ovis, построенная на визуальном энкодере aimv2-large-patch14-448 и языковой модели Qwen2.5-0.5B-Instruct. Её разработчики улучшили архитектуру структурного согласования визуальных и текстовых представлений, а также обучение на данных с инструкциями и предпочтениями. Модель предназначена для диалога по изображениям, видео и нескольким изображениям, визуального рассуждения, распознавания текста и извлечения структурированных данных из таблиц и графиков. В карточке заявлены многоязычный OCR, обработка видеокадров и улучшенное пошаговое рассуждение. Метаданные указывают поддержку английского и китайского языков; для работы используется библиотека Transformers. Ovis2-1B — плотная модель класса Ovis; в сравнительных таблицах README приведены результаты на наборах для оценки изображений и видео. Для некоторых видеобенчмарков результаты ниже, чем у более крупных моделей из сравнения. Модель доступна по лицензии Apache-2.0. Авторы предупреждают, что не гарантируют полного отсутствия проблемного или нарушающего авторские права контента.

scanpatch/pii-ner-nemotron — модель распознавания именованных сущностей, дообученная разработчиком scanpatch на датасете Nemotron на базе XLM-RoBERTa Large. Она извлекает из текста персональные данные: имена и их варианты, адреса и компоненты адресов, даты, номера документов, электронную почту, IP-адреса, телефоны, идентификаторы SNILS и TIN, номера автомобилей и организации. Модель предназначена для выявления и разметки чувствительных данных в текстах; её можно запускать через Transformers pipeline с задачей token-classification. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В карточке заявлены английский, русский и украинский языки. Для тестовой выборки приведены F1 0,977, точность 0,973 и полнота 0,980; качество на других данных может отличаться. Модель распространяется по лицензии Apache-2.0.

PP-OCRv5_server_det_onnx — модель обнаружения текстовых областей PP-OCRv5, разработанная командой PaddleOCR/PaddlePaddle и представленная в формате ONNX для запуска через ONNX Runtime. Она определяет расположение строк текста на изображениях, но не выполняет их распознавание в символы. Модель предназначена для анализа документов и изображений со сложной структурой, включая рукописный, вертикальный, повёрнутый и изогнутый текст, различные размеры текста и неоднородный фон. Возможные сценарии включают предварительное обнаружение текста для OCR-конвейеров, анализ документов, распознавание текста на номерных знаках и обнаружение текста в естественных сценах. Заявленная поддержка охватывает упрощённый и традиционный китайский, английский и японский языки. В README приведены средние показатели качества 0,827 по набору сценариев, включая рукописный и печатный текст, повороты, искажения и художественный текст. Модель распространяется под лицензией Apache-2.0 и использует библиотеку PaddleOCR; для запуска ONNX-версии требуется совместимый ONNX Runtime.

Qwen3-0.6B-JSON-SFT — небольшая языковая модель семейства Qwen3, дообученная методом supervised fine-tuning (SFT) для генерации текста в формате JSON. Модель опубликована пользователем Hugging Face ksyoung0215 и предназначена для использования через библиотеку Transformers. Модель имеет около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Основной сценарий — генерация структурированных ответов, извлечение данных в заданную JSON-схему и автоматизация задач, где результат должен быть пригоден для машинной обработки. Доступен pipeline text-generation; в метаданных также указана conversational-ориентация. Небольшой размер может упростить локальный запуск и снизить требования к ресурсам, однако README не содержит результатов оценки качества, сведений о датасете, точной архитектуре, поддерживаемых языках, разработчиках или лицензии. Перед использованием в критически важных системах необходимы собственное тестирование корректности JSON, устойчивости к сложным запросам и качества на целевых данных.

ratlinghitman/qwen3vl-2b-receipt-extraction — дообученная с помощью LoRA модель Qwen3-VL-2B-Instruct для извлечения данных из фотографий и сканов розничных чеков. Модель принимает изображение чека и запрос, затем формирует JSON с позициями меню, промежуточной и итоговой суммами; значения передаются как строки, переписанные с чека. Модель основана на Qwen3-VL-2B-Instruct с архитектурой Qwen3-VL и обучена на датасете CORD-v2. Адаптер LoRA применён к языковой части модели, а зрительная часть оставлена замороженной. На тестовой выборке из 100 чеков автор сообщает field F1 0,8857 и корректность JSON 0,99; структура JSON при этом может быть менее надёжной, чем у более крупной версии на 4B параметров. Модель предназначена для автоматизации учёта расходов и конвейеров обработки чеков, а также для исследований понимания документов. Обучение охватывает индонезийские чеки из сферы розничной торговли и ресторанов, поэтому точность на других языках и макетах может снижаться. Она не обучалась для счетов-фактур, рукописей или изображений других типов; суммы и позиции не проверяются арифметически, поэтому результат требует проверки человеком. Лицензия — Apache-2.0.

coder3101/Qwen3-VL-4B-Thinking-heretic — дообученная методом abliteration версия мультимодальной модели Qwen3-VL-4B-Thinking от Qwen. Она принимает текст и изображения, поддерживает диалог и предназначена для визуальных вопросов и ответов, анализа изображений и видео, распознавания текста на изображениях, пространственного рассуждения и взаимодействия с графическими интерфейсами. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса опубликованы в формате safetensors. Базовая модель заявляет контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержку OCR на 32 языках, однако эти характеристики в README относятся к исходной модели и отдельно для производной версии не подтверждены. README описывает уменьшение числа отказов: 3 отказа из 100 против 97 у исходной модели, при KL-дивергенции 0,0259. Это указывает на ослабление отказного поведения, но не гарантирует отсутствие отказов или точность ответов. Модель распространяется по лицензии Apache-2.0.

Winuim/qwen3-vl-8b-invoice-sft — дообученная модель Winuim на архитектуре Qwen3-VL для работы с изображениями и текстом. Она предназначена для диалогового анализа изображений, в частности документов и счетов, что отражено в названии модели. Модель выдаёт текстовые ответы; репозиторий содержит веса в формате safetensors и поддерживает интерфейс чата и вызова инструментов. Модель лицензирована по Apache-2.0. В карточке указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL. Подробности обучающих данных, точность извлечения полей и поддерживаемые языки документов не описаны.

Модель tomaarsen/span-marker-mbert-base-multinerd — модель для распознавания именованных сущностей (NER), разработанная на базе SpanMarker и обученная на датасете MultiNERD. В качестве кодировщика используется bert-base-multilingual-cased; модель дообучена для классификации фрагментов текста и выделения сущностей.