I.4Обработка документов и форм

Это дообученная модель Table Transformer для обнаружения объектов в изображениях таблиц. Она создана на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e5_dec1e4_bs8 и опубликована nsugianto. Модель предназначена для поиска элементов таблиц; карточка не уточняет набор обнаруживаемых классов и обучающие данные. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и распространяется в формате safetensors. Контекст указан как 1024 токена, хотя для задачи обнаружения объектов важнее обработка изображения. Лицензия — MIT. Язык данных и конкретные ограничения качества не описаны.

RyanBours представляет Candle-совместимую конверсию дообученной YOLOv11n для обнаружения текстовых областей. Модель принимает изображения размером 640 × 640 и находит на них объекты класса «text»; веса доступны в форматах Safetensors и ONNX для использования с Candle и ONNX Runtime. Модель предназначена для выделения областей с текстом на документах, снимках экрана и фотографиях, например перед передачей изображения в OCR. Это компактный детектор на архитектуре YOLOv11n, однако карточка не приводит численные показатели качества или подробности обучающего набора. Лицензия репозитория — Apache-2.0.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

Модель tner/deberta-v3-large-ontonotes5 — дообученная T-NER версия Microsoft DeBERTa-v3-large для распознавания именованных сущностей. Она обучена на наборе tner/ontonotes5 и предназначена для выделения в тексте сущностей и их типов, включая имена людей, организации, географические объекты, даты, числа, суммы, события и произведения искусства. Архитектура — DeBERTa-v2 для классификации токенов; модель содержит 533,8 млн параметров и обрабатывает контекст длиной до 512 токенов. На тестовой части OntoNotes5 модель показала micro-F1 около 0,907. Результаты различаются по классам: например, F1 для персон составляет около 0,961, а для права и времени — около 0,676. Карточка рекомендует запускать модель через библиотеку T-NER; использование через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Язык обучения в карточке не указан, поэтому языковую поддержку нельзя надёжно определить. Лицензия в предоставленных данных не указана.

Это версия модели dslim/bert-base-NER, преобразованная в формат OpenVINO для ускоренного инференса. Модель разработана на основе BERT и предназначена для распознавания именованных сущностей в тексте с классификацией токенов; размер составляет 135,5 млн параметров, контекст — до 512 токенов. В карточке заявлена поддержка английского языка. Модель можно использовать для извлечения сущностей из английских текстов, например имён людей, организаций и географических названий. OpenVINO упрощает ускоренный запуск на совместимом оборудовании. Условия лицензии в предоставленных данных не описаны.

bardsai/eu-pii-multi-mini-preview — предварительная многоязычная модель BardsAI для обнаружения и классификации персональных и чувствительных данных в тексте. Это модель token classification на базе XLM-RoBERTa, дообученная от nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large; она размечает токены по 34 классам сущностей с использованием схемы BIO. Размер составляет 110,2 млн параметров, контекст — до 514 токенов. Модель предназначена для выявления адресов электронной почты, телефонов, идентификаторов, платёжных данных, местоположений, медицинских и других чувствительных сведений в многоязычных текстах на 24 европейских языках. Её можно применять для поиска и последующей маскировки персональных данных в документах, текстах обращений и других корпусах. В README приведены результаты на проверочной и тестовой выборках; макро-F1 на тесте составляет 0,7863 без учёта класса O. Карточка помечает модель как preview и сообщает, что обучение ещё продолжается, поэтому качество следует проверять на собственных данных перед внедрением. Доступны веса Safetensors и ONNX, включая динамически квантованный вариант ONNX для CPU. Лицензия в предоставленных данных не указана.

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

MuXodious выпустил статические квантизованные GGUF-сборки Gemma 4 26B A4B Instruct, дообученной с помощью Heretic 1.2.0 и Arbitrary-Rank Ablation. Это диалоговая мультимодальная модель семейства Gemma 4 с архитектурой Mixture-of-Experts; в этой версии доступны текстовый и визуальный ввод и текстовый вывод. В репозитории есть GGUF и GGUF BF16. Шаблон чата обновлён с исправленной версией от Google. Модель предназначена для диалога, рассуждений и анализа изображений, включая извлечение информации из документов, OCR, понимание диаграмм и интерфейсов. README семейства Gemma 4 также описывает генерацию и редактирование кода, суммаризацию, поддержку длинного контекста до 256K токенов и мультиязычность; эти свойства приведены для семейства и отдельно не подтверждены для данной сборки. Ablation заметно уменьшила отказы: в приведённой проверке их стало 3 из 104 против исходных 103 из 104. Модель распространяется под лицензией Apache 2.0. Из-за ablation-процедуры она может отказывать реже, поэтому ответы на потенциально рискованные запросы требуют проверки; результаты теста отказов не гарантируют поведение в других сценариях. Для запуска GGUF требуется совместимый движок и корректный шаблон чата.

GLiNER-base — англоязычная модель распознавания именованных сущностей, разработанная Уршадом Заратианой, Нади Томе, Пьером Ола и Тьерри Шарнуа. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет находить сущности типов, заданных пользователем, вместо работы только с фиксированным набором классов. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций, мест и других категорий, которые задаёт приложение. GLiNER позиционируется как более компактная и практичная альтернатива большим языковым моделям для сценариев с ограниченными вычислительными ресурсами. В карточке указано 209 млн параметров и поддержка английского языка. Для работы используется библиотека GLiNER; формат весов — PyTorch. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Описание не приводит оценки качества или подробностей о длине контекста, поэтому их нельзя оценить по имеющимся данным.

urchade/gliner_large-v2.1 — модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер типа BERT и позволяет извлекать из текста сущности типов, заданных пользователем, в том числе за пределами фиксированного набора меток обычных NER-моделей. Модель предназначена для извлечения имен и других сущностей из текста с помощью библиотеки GLiNER. Версия large-v2.1 содержит 459 млн параметров; карточка указывает английский язык, а версия multilingual-v2.1 представлена отдельно. Модель распространяется под лицензией Apache-2.0.

GLM-4.6V-Flash-GGUF — это набор GGUF-сборок мультимодальной модели GLM-4.6V-Flash, разработанной zai-org и опубликованной пользователем prithivMLmods. Модель относится к классу vision-language и предназначена для локального развёртывания и приложений с низкой задержкой. Доступны варианты с разными форматами точности и квантования, включая F16, BF16, F32, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-варианты. Модель рассчитана на работу с текстом и изображениями, включая фотографии, скриншоты и страницы документов. Она предназначена для визуального понимания документов, таблиц, графиков и макетов, мультимодального function calling, взаимодействия с инструментами, генерации HTML/CSS по скриншотам интерфейсов и редактирования изображений по инструкциям на естественном языке. Заявлено контекстное окно до 128K токенов и около 9 млрд параметров; поддерживаются китайский и английский языки. К сильным сторонам относятся мультимодальное понимание текста, структуры страниц и визуальных элементов, возможность напрямую использовать изображения в сценариях с инструментами, а также широкий выбор квантованных вариантов для подбора баланса между качеством и требованиями к памяти. Ограничения зависят от выбранного уровня квантования: более компактные варианты требуют меньше ресурсов, но могут снижать точность. В README не приведены подробные результаты тестирования, системные требования и инструкции по запуску. Лицензия модели указана как MIT.

OwenArli/Llama-3.1-8B-ArliAI-Formax-v1.0 — чат-модель на архитектуре Llama 3.1, дообученная на базе Meta-Llama-3.1-8B-Instruct с помощью LoRA. Она предназначена для точного следования инструкциям о формате ответа и подходит для структурирования данных, создания наборов данных и других задач, где важно соблюдать заданную форму вывода. Модель принимает текст и генерирует текст; заявленное окно контекста — 131072 токена, а обучающая последовательность имела длину 8192 токена. Разработчик описывает модель как мало ограничивающую ответы и хорошо следующую инструкциям. Это заявление из карточки модели, а не независимая оценка качества. Модель содержит 7,5 млрд параметров и распространяется в формате safetensors по лицензии Meta Llama 3.1 License. Карточка не приводит результатов независимых тестов.

MinerU — модель для автоматического преобразования PDF-документов в Markdown. Она предназначена для извлечения текста с учётом структуры страницы, распознавания математических формул и восстановления таблиц, например при обработке академических статей, учебников и технической документации. В README описана составная архитектура: Detectron2 для анализа макета, сверточная сеть для обнаружения формул, BERT для их распознавания и T5 для восстановления таблиц. Метаданные Hugging Face относят репозиторий к feature-extraction; заявленный в README сценарий преобразования PDF в Markdown с этим тегом не совпадает. Заявлены поддержка китайского и английского языков и ограничения до 100 страниц и 50 МБ на PDF. README приводит точность распознавания текста 95%, формул 90% и восстановления таблиц 85%, но не описывает методику оценки. Использование рассчитано на среду с Python, PyTorch и Detectron2; указаны требования от 16 ГБ ОЗУ и 8 ГБ видеопамяти. Лицензия — Apache-2.0.

MiniCPM-o-2_6-GGUF — это GGUF-квантизованные версии мультимодальной модели MiniCPM-o-2_6, разработанной openbmb и подготовленной для распространения пользователем bartowski. Модель предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. По данным карточки, модель поддерживает работу с текстом, изображениями, несколькими изображениями, видео и аудио. Заявлены сценарии оптического распознавания символов, автоматического распознавания речи, синтеза речи, клонирования голоса, потокового режима и диалогов в реальном времени. Указана многоязычная поддержка, однако конкретный перечень языков, архитектура, количество параметров и размер контекста в карточке не приведены. Основное преимущество набора — широкий мультимодальный охват и возможность локального запуска в различных вариантах квантизации. Доступны форматы от F32 до Q2 и IQ-квантизаций с размером файлов примерно от 2,78 до 30,46 ГБ; варианты Q4–Q6 отмечены как рекомендуемые для баланса качества и требований к памяти. Более сильная квантизация уменьшает потребление памяти, но может снижать качество. Для работы требуется совместимый рантайм и аппаратные ресурсы, соответствующие выбранному файлу. Лицензия в README не указана; условия лицензии исходной модели следует проверять в репозитории openbmb/MiniCPM-o-2_6.

mn-xlm-roberta-base-named-entity — модель 2rtl3, дообученная на базе xlm-roberta-base для классификации токенов и распознавания именованных сущностей. Она присваивает метки отдельным фрагментам текста; размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. По оценке на тестовом наборе указаны precision 0,9275, recall 0,9364, F1 0,9319 и accuracy 0,9783. Модель предназначена для извлечения сущностей из текста. Карточка не уточняет набор меток, обучающие данные и поддерживаемые естественные языки, поэтому качество для конкретных типов сущностей и языков нужно оценивать отдельно. Модель распространяется под лицензией MIT.

Molmo 7B-O — открытая мультимодальная модель семейства Molmo, разработанного Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описания, ответы на вопросы о содержимом изображения и результаты визуального анализа. Модель обучена на парных данных изображений и текста PixMo и использует языковую основу OLMo и визуальный энкодер OpenAI CLIP. Это предварительная версия Molmo с плотной архитектурой и 11,2 млрд параметров. Нативный контекст составляет 4096 токенов. В карточке приведены результаты на наборах для визуальных вопросов и ответов, понимания диаграмм и документов, распознавания текста на изображениях, математики и подсчёта объектов. Модель доступна в формате safetensors и предназначена для диалогового взаимодействия с изображениями. Модель опубликована под лицензией Apache-2.0. README предупреждает, что она может испытывать трудности с прозрачными изображениями; для корректной обработки изображения должны быть в RGB.

flair/ner-german — стандартная модель распознавания именованных сущностей для немецкого языка, поставляемая вместе с библиотекой Flair. Она основана на эмбеддингах Flair и архитектуре LSTM-CRF и обучена для четырёх классов NER на наборе CoNLL-2003 German revised. Модель размечает в тексте имена людей, названия мест и организаций; показатель F1 на указанном наборе составляет 87,94. Модель предназначена для извлечения сущностей из немецкоязычных текстов, например для обогащения документов и подготовки данных к поиску или аналитике. Для использования требуется библиотека Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных не приведены.

flair/ner-multi — стандартная модель распознавания именованных сущностей из библиотеки Flair для английского, немецкого, нидерландского и испанского языков. Она предназначена для разметки слов в тексте четырьмя классами: имена людей, географические названия, организации и ещё один класс CoNLL-03, не раскрытый в доступном фрагменте карточки. Модель построена на Flair embeddings и архитектуре LSTM-CRF и обучена для CoNLL-03. В карточке приведены F1-оценки: 92,16 для английского, 87,33 для немецкого, 88,96 для нидерландского и 86,65 для испанского. Также заявлена ограниченная применимость к близким языкам, например французскому. Использование предусмотрено через Flair и SequenceTagger. Лицензия в предоставленных данных не указана.

thelamapi/next2.5-i1-GGUF — GGUF-версия Next 2.5, мультимодальной vision-language модели примерно на 4 млрд параметров, разработанной и дообученной компанией Lamapi в Турции на базе Qwen 3.5-4B. Модель ориентирована на работу с текстом и изображениями, включая анализ документов и OCR, визуально-пространственные задачи, рассуждения, математику, программирование и генерацию текста. В README также заявлена поддержка видео, включая длительные видеоматериалы. Модель поддерживает турецкий, английский, немецкий, испанский, французский, русский, китайский, японский и корейский языки; при этом особый акцент сделан на турецком и английском языках и культурном контексте Турции. Заявлен режим рассуждений с блоками <think>...</think> перед ответом и контекст до 262 144 токенов. Обучение включало instruction tuning и DPO, а также наборы данных для рассуждений, мультимодальных задач и генерации текста. К сильным сторонам относятся сочетание компактного размера, мультимодальности, заявленной производительности в задачах знаний и рассуждений и возможность использования на периферийных устройствах. Ограничения включают небольшой по современным меркам объём модели, возможные ошибки в распознавании изображений, видео и фактах, а также то, что приведённые в README сравнительные результаты не подтверждены независимой проверкой. Модель распространяется по лицензии Apache-2.0.

Модель ab-ai/pii_model — дообученная версия BERT-base-cased для токенной классификации и обнаружения персональных данных в тексте. Её разработал Abhijeet Santosh Lokhande; модель обучена на датасете generator и распространяется под лицензией Apache-2.0. Модель размечает токены, относящиеся к именам, адресам, датам рождения, телефонам, электронной почте, номерам банковских карт и счетов, SSN, паролям и другим указанным в карточке категориям PII. Она подходит для выявления чувствительных фрагментов перед редактированием или маскированием документов и пользовательских данных. В карточке приведены результаты оценки: precision 95,53%, recall 96,60%, F1 96% и accuracy 99,11%. Это текстовая модель на архитектуре BERT; карточка заявляет поддержку английского языка. Показатели получены на указанной в карточке оценке и не гарантируют аналогичного качества на других данных или для всех типов сущностей. Для критичных сценариев защиты данных необходима проверка результатов.

Карточка модели alhparsa/qwen35-extract-tsv-v1 на Hugging Face совпадает с карточкой alhparsa/qwen35-extract-tsv-v2, поэтому описание составлено по ней. alhparsa/qwen35-extract-tsv-v2 — дообученная модель семейства Qwen3.5 для извлечения фактов из изображений страниц медицинских документов, например приёмных и клинических записей. Она принимает изображения вместе с текстовыми инструкциями и выдаёт компактный TSV: контекстную строку с идентификационными данными пациента и строки с фактами, временными данными, тегами и оценкой уверенности. Модель может использовать только теги из списка, переданного во входном сообщении. README описывает полное выборочное дообучение Qwen3.5-9B и гибридную архитектуру с GatedDeltaNet, блоками полного внимания и зрительным модулем. Для обслуживания рекомендуются vLLM, длина контекста 32768 токенов и параметры обработки изображений из карточки; указаны также режимы ускоренного декодирования DFlash/MTP. По оценке авторов, на их проверке извлечение достигает примерно 98–100% полноты и около 100% точности после удаления дублей; заявленная скорость — 4,4–4,9 секунды на страницу на двух H100. Эти показатели относятся к проверке автора и не гарантируют такое же качество на других документах. Модель предназначена для извлечения структурированных сведений из медицинских документов, в том числе из многостраничных PDF после преобразования страниц в изображения. Для полноты авторы рекомендуют обрабатывать перекрывающиеся окна страниц и объединять результаты с последующим удалением смысловых дублей. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

alhparsa/qwen35-extract-tsv-v2 — дообученная модель семейства Qwen3.5 для извлечения фактов из изображений страниц медицинских документов, например приёмных и клинических записей. Она принимает изображения вместе с текстовыми инструкциями и выдаёт компактный TSV: контекстную строку с идентификационными данными пациента и строки с фактами, временными данными, тегами и оценкой уверенности. Модель может использовать только теги из списка, переданного во входном сообщении. README описывает полное выборочное дообучение Qwen3.5-9B и гибридную архитектуру с GatedDeltaNet, блоками полного внимания и зрительным модулем. Для обслуживания рекомендуются vLLM, длина контекста 32768 токенов и параметры обработки изображений из карточки; указаны также режимы ускоренного декодирования DFlash/MTP. По оценке авторов, на их проверке извлечение достигает примерно 98–100% полноты и около 100% точности после удаления дублей; заявленная скорость — 4,4–4,9 секунды на страницу на двух H100. Эти показатели относятся к проверке автора и не гарантируют такое же качество на других документах. Модель предназначена для извлечения структурированных сведений из медицинских документов, в том числе из многостраничных PDF после преобразования страниц в изображения. Для полноты авторы рекомендуют обрабатывать перекрывающиеся окна страниц и объединять результаты с последующим удалением смысловых дублей. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

kaiz0603 дообучил мультимодальную модель Qwen3-VL-4B-Instruct для диалогового взаимодействия с изображениями. Она принимает текст и изображения и формирует текстовые ответы; архитектура Qwen3-VL — плотная модель с 4 млрд параметров. Модель подходит для вопросов по изображениям, визуального анализа и OCR. В метаданных также заявлен интерфейс вызова инструментов, но сведения о его настройке в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B Receipt Extraction — модель ratlinghitman, дообученная на базе Qwen/Qwen3-VL-4B-Instruct с помощью LoRA для извлечения данных из фотографий и сканов розничных чеков. Она принимает изображение чека вместе с заданным запросом и возвращает JSON с позициями, подытогом и итоговой суммой; значения представлены строками, переписанными с чека. Используются архитектура Qwen3-VL с 4 млрд параметров и формат bf16; адаптировалась языковая часть, а визуальная часть оставалась замороженной. Обучение проводилось на датасете CORD-v2, содержащем индонезийские чеки. На тестовой выборке из 100 чеков автор сообщает field F1 0,8862 и корректность JSON 0,99. Модель предназначена для автоматизации ввода данных в бухгалтерские и учётные системы, а также для экспериментов с пониманием документов. Лицензия — Apache-2.0. Она обучалась на розничных и ресторанных чеках CORD-v2, поэтому результаты на чеках других типов и языков могут быть хуже; модель не предназначена для счетов-фактур, рукописных записей и изображений других типов. Извлечённые значения не проверяются арифметически, а поля и суммы требуют проверки человеком перед использованием.

Tirendaz/roberta-base-NER — модель распознавания именованных сущностей, разработанная на основе XLM-RoBERTa base и дообученная для разметки токенов. Она выделяет в тексте имена людей (PER), организации (ORG) и географические названия (LOC); использовать её можно, например, для извлечения сущностей из документов и подготовки текста к последующему анализу. Модель имеет архитектуру XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. По карточке, обучение охватывало десять высокоресурсных языков, однако перечислены только английский в тегах модели и датасет XTREME, поэтому конкретный полный список языков определить нельзя. Модель опубликована в формате PyTorch и распространяется по лицензии MIT.

vladlinv/ru-pii-ner-gliner2.5 — русскоязычная модель извлечения персональных данных, разработанная автором репозитория как полный файнтюн fastino/gliner2.5-multi-v1. Она распознаёт типы и границы имён, адресов, дат, телефонов, электронной почты, государственных и иных идентификаторов, банковских реквизитов, медицинских, судебных, кадровых, учебных и других данных, связанных с человеком. Разметка учитывает контекст и юридический смысл данных по 152-ФЗ и российской правоприменительной практике, стараясь отличать сведения о физических лицах от данных организаций и служебных значений. Модель построена на архитектуре GLiNER2.5 с энкодером mDeBERTa-v3-base и содержит 287 млн параметров. Она предсказывает границы сущностей и сопоставляет найденные фрагменты с заданными на входе метками; заявлена обработка до 4096 токенов за проход. Метки можно адаптировать под собственную схему без переобучения, однако качество подтверждено только для меток из карточки. Модель подходит для выявления персональных данных в документах при подготовке к обезличиванию, включая юридические, кадровые, финансовые, медицинские и административные материалы. Лицензия — Apache-2.0. Оценка выполнена на 405 документах; метрики строгие и требуют точного совпадения границ сущностей. Датасет преимущественно русскоязычный, около 6% примеров — на других языках. Модель может пропускать чувствительные данные, поэтому её следует дополнять регулярными выражениями, словарями и прикладными правилами; коммерческую тайну и конфиденциальные сведения, не относящиеся к физическим лицам, она специально не обнаруживает.

SkyworkVL-38B — мультимодальная чат-модель семейства Skywork, разработанная командой Skywork и дообученная на базе OpenGVLab/InternVL2_5-38B. Модель содержит 38 млрд параметров и предназначена для диалога с изображениями и решения задач визуального анализа. В README описаны обучение на 2 млн примеров с подписями и вопросами, многоэтапная настройка и дополнительное обучение на данных с пошаговыми рассуждениями. Модель обрабатывает изображения в нескольких разрешениях и поддерживает визуальные вопросы и ответы, OCR, анализ диаграмм и научных изображений, а также задачи по математике и другим учебным дисциплинам. В карточке приведены результаты на MathVista, MMMU, AI2D, OCRBench, MME, RealWorldQA и HallusionBench. Для запуска README приводит пример с Transformers и bfloat16; интерфейс включает чат и tool calling. Модель опубликована в формате safetensors по лицензии Apache-2.0. Заявленные в README преимущества относятся к визуальному анализу и рассуждениям, однако приведённые таблицы сравнивают базовые модели и не показывают отдельные численные результаты SkyworkVL-38B. Для запуска может потребоваться значительный объём вычислительных ресурсов из-за размера в 38 млрд параметров.

ZurichNLP/swissbert-ner — модель ZurichNLP для распознавания именованных сущностей, дообученная на наборе WikiNEuRal. Она выполняет токеновую классификацию и выделяет сущности в немецком, французском и итальянском текстах; для ретороманского языка Grischun заявлена работа в режиме zero-shot. Модель построена на архитектуре X-MOD, содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для автоматической разметки имен людей, организаций и других сущностей в многоязычных текстах на языках Швейцарии. В README показано применение через pipeline Transformers с простой агрегацией меток. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

TowerVision-2B — мультиязычная vision-language модель проекта utter-project для анализа изображений и генерации текстовых ответов. Она предназначена для описания изображений, визуальных вопросов и ответов, суммаризации, понимания диаграмм и документов, а также мультимодального перевода с учётом языкового и культурного контекста. Модель содержит 2 млрд параметров и использует архитектуру LLaVA-NeXT: языковую основу Tower-Plus-2B, визуальный энкодер SigLIP2-patch14-384 и мультимодальный адаптер. Она принимает текст и изображения, генерирует текст; заявленная длина контекста — 8192 токена. В карточке перечислены европейские и азиатские языки, включая русский, английский, немецкий, китайский, японский и хинди. Модель обучена на мультиязычном наборе VisionBlocks и ориентирована на широкий круг задач визуального понимания, с заявленным акцентом на мультимодальный перевод и культурно-зависимые задачи. Для запуска авторы рекомендуют точность bfloat16. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

team-lucid/trocr-small-korean — корейская модель распознавания текста на изображениях семейства TrOCR, разработанная на архитектуре VisionEncoderDecoder. Она состоит из визуального трансформерного энкодера, инициализированного весами DeiT, и текстового трансформерного декодера с собственными весами RoBERTa. Модель обучалась на 6 млн синтетических изображений, созданных с помощью SynthTiger, при поддержке Google TPU Research Cloud. Модель предназначена для извлечения текста из изображений, прежде всего для распознавания корейского текста. Может применяться для оцифровки изображений с текстом и распознавания строк. Репозиторий содержит веса PyTorch, Flax и Safetensors. Лицензия — Apache 2.0.