I.4Обработка документов и форм

EvanD/xlm-roberta-base-ukrainian-ner-ukrner — модель распознавания именованных сущностей на базе XLM-RoBERTa, дообученная на украинском наборе данных NER из Flair. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для токенов; контекст — до 514 токенов. Она предназначена для извлечения сущностей из украинских текстов, например имён людей и географических названий. В README приведены результаты тестирования на украинском NER: macro F1 0,990 и macro precision 0,939. Модель доступна в формате PyTorch для использования с Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

ZhiXi-13B-Diff — дифференциальные веса модели ZhiXi, разработанной проектом KnowLM для извлечения знаний. Чтобы восстановить веса, их необходимо применить к LLaMA-13B. В карточке описаны полное предварительное обучение на китайских и английских корпусах и последующая настройка инструкциями для извлечения сущностей, отношений и другой информации. Модель также сохраняет способности к работе с английским языком и кодом; приведены примеры перевода и следования инструкциям. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом 2048 токенов. Она принимает текст и генерирует текст; карточка заявляет поддержку китайского и английского языков. Файлы представлены в формате PyTorch, лицензия — Apache-2.0. Дифференциальный формат требует исходных весов LLaMA-13B для восстановления модели.

AraBERT-NER — модель Mostafa Ahmed разработана на базе предварительно обученной AraBERT и дообучена для распознавания именованных сущностей в арабском тексте. Она присваивает метки отдельным токенам, выявляя, например, имена людей, организации, географические названия и другие сущности. Модель предназначена для извлечения сведений из арабских документов, разметки текста, категоризации документов и построения систем NER. В карточке указана оценка на тестовой выборке CoNLL-NER-AR: F1 0,859, точность 0,954, precision 0,855 и recall 0,863. Архитектура — BERT для классификации токенов, размер — 162,4 млн параметров, контекст — до 512 токенов. Модель поддерживает арабский язык, распространяется в формате Safetensors и доступна по лицензии MIT.

Xenova/bert-base-multilingual-cased-ner-hrl — модель для распознавания именованных сущностей в тексте, доступная в формате ONNX для использования с библиотекой Transformers.js. Она основана на Davlan/bert-base-multilingual-cased-ner-hrl и предназначена для запуска задач token classification, включая выделение сущностей вроде имён людей и географических названий. Модель подходит для веб-приложений и JavaScript-сценариев, где требуется выполнять распознавание сущностей на стороне клиента или в средах, совместимых с ONNX и Transformers.js. В README не указаны точные размеры модели, перечень поддерживаемых языков, длина контекста, набор типов сущностей, показатели качества и лицензия, поэтому эти характеристики нельзя достоверно оценить. Основное преимущество — готовые ONNX-веса и совместимость с Transformers.js; ограничение — отсутствие в предоставленных данных подробностей о языковом покрытии и производительности.

marcosgg/bert-large-pt-ner-enamex — модель распознавания именованных сущностей на португальском языке, разработанная на основе BERTimbau Large и дообученная на объединении доступных корпусов. Она присваивает метки токенам текста по стандартной схеме enamex: LOC для географических объектов, PER для людей, ORG для организаций и MISC для прочих сущностей. Модель предназначена для извлечения и разметки сущностей в португальских текстах. Архитектура — BERT для классификации токенов; размер — 433,2 млн параметров, максимальный контекст — 512 токенов. На тестовом наборе авторы сообщают precision 0,919, recall 0,925 и F1 0,922. Лицензия AGPL-3.0.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

Brazley Nemotron 3.5 Lightning Omni — неофициальная мультимодальная модель, созданная Ником Брэзли путём слияния компонентов двух опубликованных чекпойнтов NVIDIA. Текстовая часть основана на Nemotron 3.5 Lightning, а аудио- и визуальные энкодеры и проекторы взяты из Nemotron 3 Nano Omni V2. Обучение не проводилось; веса объединены на уровне модулей и представлены в формате safetensors с ModelOpt-квантизацией. NVIDIA не выпускала эту мультимодальную версию и не проверяла её. Модель принимает текст, изображения, аудио и видео, а отвечает текстом. Она предназначена для понимания документов и изображений, распознавания речи, ответов на вопросы по аудио и видео, включая описание событий во времени. Поддерживает английский язык и контекст до 262 144 токенов; общий размер составляет около 34 млрд параметров, примерно 3 млрд активны на токен. Для запуска автор указывает DGX Spark как минимальную GPU-платформу. Модель доступна для коммерческого использования на условиях лицензий исходных моделей; применяются обе лицензии, а лицензия репозитория обозначена как other.

nhanv/cv_parser — модель распознавания сущностей в тексте, созданная дообучением microsoft/mdeberta-v3-base для задачи token classification. Название репозитория указывает на разбор резюме, однако карточка не раскрывает набор меток и не подтверждает конкретные поля, которые модель извлекает. Модель предназначена для разметки последовательности токенов и может использоваться как компонент конвейера извлечения информации из текста. В карточке приведены результаты оценки: F1 0,9111, точность 0,8906, полнота 0,9325 и accuracy 0,9851. Модель содержит 306 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате PyTorch под лицензией MIT.

danish-lm-400m-icl-v3 — плотная причинная языковая модель семейства Llama, разработанная Jens Jepsen и дообученная на датском наборе примеров для обучения в контексте. Модель содержит 414,7 млн параметров, принимает текст и поддерживает контекст до 8 048 токенов. Её задача — по нескольким примерам, помещённым в один ход пользователя, вывести схему и формат ответа и применить их к новому тексту без отдельной инструкции. Модель подходит для извлечения структурированных данных из датских текстов, когда примеры показывают требуемые поля и способ их записи. В оценках она заметно превзошла базовую модель на знакомых схемах, а также справлялась с частью ранее не встречавшихся схем и задачей распознавания сущностей. Модель обучалась только на примерах такого обучения в контексте; качество на общих задачах в ходе обучения снизилось, а перенос на новые форматы ограничен и зависит от сходства разделителей. Для устойчивой работы примеры следует помещать в один ход пользователя, а новые форматы включать в обучение. Лицензия — Apache-2.0.

DDTdonut-TeresaNoFESTO — модель преобразования изображений в текст на базе архитектуры Donut vision-encoder-decoder. Она дообучена разработчиком репозитория на наборе данных imagefolder и предназначена для задач image-text-to-text, например извлечения текста и структурированных сведений из изображений документов. В README приведено значение loss 0,6469 на оценочном наборе, но не описаны состав данных, методика оценки или конкретный целевой формат вывода. Модель основана на naver-clova-ix/donut-base и распространяется в формате safetensors по лицензии MIT. Карточка не уточняет поддерживаемые языки, размер модели, длину контекста или практические ограничения; применимость и качество для конкретных типов документов следует оценивать на собственных данных.

Модель geckos/deberta-base-fine-tuned-ner — версия DeBERTa-base от Microsoft, дообученная разработчиком geckos для распознавания именованных сущностей на наборе данных CoNLL-2003. Это плотная трансформерная модель с архитектурой DeBERTa и примерно 151,8 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. В оценке на тестовой выборке CoNLL-2003 указаны F1 0,9608, точность 0,9563 и полнота 0,9652. Модель подходит для извлечения сущностей из англоязычных текстов, например имён людей, организаций и географических названий в новостях. Она рассчитана на классификацию токенов, а не на свободный диалог или генерацию текста. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT; контекст ограничен 512 токенами.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-NVFP4 — мультимодальная модель для задач image-text-to-text, разработанная Solstice-AI на основе экспериментальной модели DeepSeek-V4-Flash-Vision-Exp от DeepSeek. Она предназначена для анализа изображений и текста, визуального контроля качества, распознавания объектов и текста на изображениях, а также текстовой генерации и многошагового рассуждения в сценариях, требующих большого контекста. Модель имеет архитектуру MoE с 305 млрд параметров, 256 маршрутизируемыми экспертами и примерно 13 млрд активируемых параметров на токен; заявлено 43 слоя. Контекстное окно составляет 1 048 576 токенов, используется native YaRN. Зрительная часть включает 32-слойный Vision Transformer и работает в формате BF16. Эксперты квантизированы в SafeTensors NVFP4: W4A4, group size 16, с block-scale calibration. Ключевая особенность — bit-exact транскодирование MXFP4 в NVFP4 без заявленной потери точности. Модель оптимизирована для NVIDIA Blackwell, включая B200, GB200, DGX Spark и RTX 5090, а также для vLLM и TensorRT-LLM. Согласно README, к сильным сторонам относятся сохранение качества базовой модели на GSM8K, тестах извлечения данных из длинного контекста и мультимодальном visual question answering; для vision QA заявлены точное совпадение ответов и время до первого токена менее 50 мс. Ограничения связаны с экспериментальным статусом, специализированной поддержкой оборудования NVIDIA Blackwell и зависимостью от совместимых inference-движков. Модель распространяется по лицензии MIT; упаковка и сопровождение выполнены Solstice-AI, а квантизационный pipeline создан с использованием NVIDIA TensorRT ModelOpt.

EstBERT_NER — дообученная модель семейства BERT, разработанная на базе эстонской модели tartuNLP/EstBERT для распознавания именованных сущностей в эстонском тексте. Она размечает упоминания людей (PER), организаций (ORG) и мест (LOC), например в документах и новостях. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи классификации токенов. Её можно использовать через pipeline Transformers для NER; результаты иногда требуют постобработки, поскольку модель может помечать как сущности отдельные части слов. Лицензия — CC BY 4.0.

nohurry/gemma-4-26B-A4B-it-heretic-GUFF — набор квантованных вариантов модели coder3101/gemma-4-26B-A4B-it-heretic, созданный участником сообщества на основе Gemma 4 от Google. Модель предназначена для диалоговых сценариев, генерации текста и работы с изображениями, включая OCR. В README указана поддержка режима рассуждений, который включается специальным маркером в системном промпте, а также возможность ограничивать бюджет рассуждений. Модель имеет архитектуру Gemma 4 с конфигурацией 26B-A4B; точные сведения о размере активируемой части, языках и максимальной длине контекста в README не приведены. Для обработки изображений используются отдельные mmproj-файлы и настраиваемый диапазон от 70 до 1120 image-токенов. Реализация рассчитана на использование в llama.cpp и koboldcpp; для корректной работы требуется включить Sliding Window Attention с параметром --swa-full. Доступны разные уровни квантования, а выбор рекомендуется делать с учётом доступной VRAM. Для задач OCR желательно использовать менее квантованную текстовую модель и более качественно сохранённый image encoder. Сильными сторонами являются мультимодальность, поддержка управляемого рассуждения, различные варианты квантования и возможность локального запуска. Ограничения включают зависимость требований к памяти от выбранного кванта и контекста, чувствительность image encoder к квантованию, а также необходимость совместимого программного обеспечения и настроек SWA. Модель распространяется по лицензии Apache-2.0; ссылка на лицензию Gemma 4 указана в карточке.

GLiNER-PII large v1.0 — модель извлечения именованных сущностей для обнаружения персональных, медицинских и платёжных данных. Её разработали Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который ищет сущности по переданным при запросе типам, а не только по фиксированному набору меток. Модель предназначена для локальной обработки текста и поддерживает распознавание без дообучения под новые типы сущностей; в карточке заявлено более 60 предопределённых категорий PII. Модель подходит для поиска и последующей маскировки чувствительных данных в документах, расшифровках и журналах чатов, а также для сценариев комплаенса и обработки данных на периферийных устройствах. Репозиторий включает форматы PyTorch и ONNX; README описывает квантование и варианты ONNX FP16 и UINT8, но не приводит размер именно версии large. Метаданные указывают английский язык и библиотеку GLiNER. Лицензия — Apache-2.0. Распознавание настраивается списком типов сущностей, что позволяет адаптировать извлечение к конкретным задачам. Приведённые в README численные результаты относятся к другим вариантам семейства, а не к этой модели, поэтому их нельзя считать оценкой качества large v1.0.

ZuzeTt/GLM-4.6V-Flash-heretic-Imatrix-GGUF — пользовательская модификация мультимодальной модели GLM-4.6V-Flash, первоначально разработанной организацией zai-org. Данная версия создана AlexH с использованием Heretic 1.1.0 и не является официальным релизом zai-org. Модель предназначена для локального развертывания и приложений с низкой задержкой. Модель относится к семейству GLM-V и имеет около 9 млрд параметров. Она работает с текстом и изображениями, включая документы, скриншоты, таблицы, графики и веб-интерфейсы. Заявлена поддержка контекста до 128 тысяч токенов, мультимодального понимания документов, native Function Calling, генерации смешанного текстово-визуального контента, восстановления HTML/CSS по скриншотам и визуального редактирования. В метаданных указаны китайский и английский языки. Ключевая особенность этой версии — decensored-модификация, направленная на снижение количества отказов и повышение отклика в сложных или нестандартных сценариях. В приведённом сравнении модель отказала в 63 из 100 тестовых случаев против 100 из 100 у исходной модели; при этом README не описывает методику тестирования. Ограничения связаны с неофициальным характером модификации, возможными отличиями в поведении и отсутствием подробных данных о качестве после изменений. В качестве лицензии указана MIT.

HerBERT Polish Legal NER — PII / Anonymization (OCR-robust) — польская модель разметки токенов для выявления персональных и других чувствительных данных в юридических и административных документах. Разработчик дообучил allegro/herbert-base-cased на польских данных и добавил аугментацию через рендеринг и OCR, чтобы модель распознавала имена людей в тексте с ошибками распознавания, пропущенными диакритическими знаками и фрагментированными фамилиями. Модель содержит 151,6 млн параметров, использует архитектуру BERT и контекст до 514 токенов; доступны веса Safetensors и ONNX, лицензия CC BY 4.0. Модель размечает сущности, включая людей, организации, адреса, даты, суммы, контакты, идентификаторы, IBAN и медицинские сведения. Она предназначена для поиска PII перед маскированием или анонимизацией, особенно в отсканированных и сфотографированных документах. Внутренние оценки указывают на лучшее обнаружение имён в OCR-тексте по сравнению с вариантом без OCR-аугментации, но качество на небольшом наборе документов не гарантирует полноту защиты. Для чувствительных данных модель рассчитана на локальный запуск, в том числе в браузере через ONNX Runtime Web или Transformers.js. Для надёжной анонимизации рекомендуется дополнять её проверками форматов идентификаторов, постобработкой и проверкой человеком.

InternVL2_5-8B-MPO — мультимодальная диалоговая модель OpenGVLab на основе InternVL2.5-8B, дообученная с использованием Mixed Preference Optimization. Архитектура сохраняет схему ViT-MLP-LLM: визуальный компонент InternViT объединён с языковой моделью через MLP-проектор. Для изображений применяется динамическое разбиение на фрагменты 448×448 и сокращение числа визуальных токенов; модель также поддерживает несколько изображений и видео в запросе. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, анализа диаграмм и решения задач по визуальному содержимому. В README приведены результаты сравнений на мультимодальных тестах, включая OCRBench, MathVista и MMBench. Репозиторий содержит веса safetensors и рассчитан на запуск через Transformers; для инференса приведён пример с bf16/fp16. Лицензия — MIT. Это дообученная версия InternVL2.5-8B, поэтому её возможности и ограничения во многом связаны с базовой мультимодальной моделью. README не сообщает длину контекста и конкретный перечень поддерживаемых языков; метаданные характеризуют модель как мультиязычную.

korean_PP-OCRv3_mobile_rec — разработанная командой PaddleOCR мобильная модель распознавания строк текста из изображений, относящаяся к серии PP-OCRv3_rec и обученная на основе PP-OCRv3_mobile_rec для распознавания корейского языка. Она принимает изображение строки и преобразует содержащийся в нём текст в строку символов; модель можно подключить как модуль распознавания в конвейере OCR PaddleOCR для извлечения текста из документов и других изображений. Модель предназначена для распознавания корейского текста, включая пунктуацию. В README указано, что строка считается распознанной неверно, если ошибочен хотя бы один символ, что отражает строгое измерение точности на уровне целой строки. Для использования заявлена лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных источниках.

curiousily/layoutlmv3-financial-document-classification — модель автора curiousily, дообученная на базе microsoft/layoutlmv3-base для классификации финансовых документов по изображению и распознанному тексту. Она относит документы к одному из пяти классов: отчёт о прибылях и убытках, баланс, отчёт о движении денежных средств, примечания или прочие документы. Для распознавания текста при обучении использовались данные EasyOCR. Модель основана на LayoutLMv3, имеет около 151,8 млн параметров и контекст длиной до 514 токенов. Карточка указывает английский язык. Модель подходит для автоматической сортировки и предварительной маршрутизации финансовой отчётности; качество на других типах документов и языках не описано. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

Dingdust/LFM2.5-230M-heretic — производная версия LFM2.5-230M-Base от Liquid AI, опубликованная как дообученная модель с ослабленным отказом отвечать на запросы. По карточке это компактная текстовая причинная модель семейства LFM2 с 221,2 млн параметров, рассчитанная на генерацию текста и диалоговое применение. README семейства описывает гибридную архитектуру из свёрточных блоков с двойным gating и блоков GQA, а также контекст 32 768 токенов; метаданные репозитория указывают собственный контекст 128 000 токенов, поэтому фактическое значение зависит от конкретной версии и конфигурации. Модель подходит для извлечения данных, коротких диалогов и лёгких локальных агентных сценариев, включая вызов инструментов. В README исходной модели перечислены десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Приведённые в карточке измерения показывают меньше отказов, чем у исходной модели, но это не подтверждает качество ответов для всех типов запросов. Семейство не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other, без более точных условий в предоставленных данных.

onnx-community/LFM2.5-350M-ONNX — ONNX Runtime-версия универсальной текстовой модели LFM2.5-350M, разработанной Liquid AI. Модель предназначена для кроссплатформенного развёртывания и аппаратно ускоренного вывода в облачных, периферийных и мобильных средах, включая локальные устройства с ограниченными ресурсами. Рекомендуемые сценарии — извлечение данных, структурированный вывод и использование инструментов с поддержкой function calling. Модель текстовая, содержит 350 млн параметров и имеет контекст до 32 768 токенов. Архитектура включает 16 слоёв: 10 блоков double-gated LIV convolution и 6 блоков GQA; размер словаря — 65 536 токенов. Она обучалась на 28 трлн токенов, поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Заявлена работа менее чем с 1 ГБ памяти, а ONNX-формат облегчает переносимость между различными аппаратными платформами. Сильными сторонами являются малый размер, высокая скорость edge-инференса и удобство интеграции в разнообразные среды выполнения. Модель не рекомендуется для задач, требующих глубоких знаний, и программирования; дата отсечения знаний — середина 2024 года. Указана лицензия lfm1.0; дополнительные условия следует проверять в файле лицензии репозитория.

kavg/LiLT-RE-DE — дообученная на датасете XFUND модель для извлечения отношений между сущностями в документах. Она основана на мультиязычной LiLT и XLM-RoBERTa, использует архитектуру LiLTRobertaLikeForRelationExtraction и учитывает текст и его расположение на странице. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. В оценке на тестовой выборке указаны precision 0,3054, recall 0,6032 и F1 0,4055. Модель подходит для анализа связей между полями в структурированных документах, например в формах. Распространяется по лицензии MIT.

kavg/LiLT-RE-JA — дообученная модель извлечения отношений из документов на основе nielsr/lilt-xlm-roberta-base. Она предназначена для выявления связей между сущностями в документном тексте с учётом структуры страницы; обучалась на датасете XFUND. Модель содержит 305,2 млн параметров, использует архитектуру LiLT совместно с XLM-RoBERTa и принимает контекст до 514 токенов. В README приведены результаты оценки на тестовой выборке: precision 0,4372, recall 0,6574 и F1 0,5252. Доступна в формате safetensors по лицензии MIT.

Monolingual-Hindi-NER-Model — модель распознавания именованных сущностей на хинди, разработанная Sankalp-Bahad. Она создана дообучением XLM-RoBERTa Base и предназначена для токенной классификации в задачах NER: выделения сущностей в тексте с присвоением меток токенам. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает текстовый контекст длиной до 514 токенов. Модель подходит для разметки сущностей в текстах на хинди и интеграции NER в NLP-конвейеры. Репозиторий использует формат safetensors; лицензия — CC BY 4.0.

NERmembert-base-4entities — модель CamemBERT, дообученная Лоиком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она размечает токены и выделяет четыре типа сущностей: людей (PER), организации (ORG), места (LOC) и прочие именованные сущности (MISC). Модель обучена на объединённом и очищенном наборе frenchNER_4entities примерно из 385 тысяч предложений, собранном из четырёх французских датасетов NER. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель принимает текст и возвращает метки сущностей для его фрагментов. Её можно использовать для извлечения имён людей, организаций и географических названий из французских документов, новостей и других текстов. Модель выпущена под лицензией MIT.

objv1 — это мультимодальная модель ObjectAI, дообученная с помощью LoRA и объединённая с базовой моделью Qwen/Qwen3-VL-4B-Instruct. Модель принимает изображение страницы финансового документа и JSON-схему, затем извлекает сведения со страницы и возвращает заполненную структуру JSON. Она построена на архитектуре Qwen3-VL с 4 млрд параметров и предназначена для работы с изображениями и текстом; обучение проводилось при разрешении до 1280 × 28 × 28 пикселей. В README для сервинга с vLLM указан предел контекста 16 384 токена. Основной сценарий — структурированное извлечение данных из индийских финансовых документов. Отсутствующие на странице поля возвращаются как null; незапрошенные найденные сведения можно поместить в extras. Карточка рекомендует температуру 0 для воспроизводимости ответа. Модель требует значительных вычислительных ресурсов: 8,9 ГБ весов в bf16, минимум 16 ГБ VRAM и 24 ГБ для комфортной работы. Лицензия — Apache-2.0. Модель не проверяет собственные арифметические вычисления, поэтому итоги, которые должны сходиться, следует проверять отдельно. Работа с документами других областей и форматов не тестировалась; распознавание рукописного текста, особенно цифр на изображениях низкого разрешения, является слабым местом.

Kimang18/paddleOCR_vl_Khmer_finetuned — модель Kimang18 для распознавания кхмерского текста на изображениях и текстовых областях. Она получена полным дообучением PaddlePaddle/PaddleOCR-VL на наборе WildKhmerST; примеры данных представляют собой пары изображения текстовой области и соответствующего текста. Архитектура — PaddleOCRVLForConditionalGeneration, размер — 318,2 млн параметров, формат весов — safetensors. Модель рассчитана на сценарии OCR и извлечения текста из изображений; метаданные также указывают поддержку генерации текста и диалоговый интерфейс. Модель принимает изображения и выдаёт распознанный текст. В карточке заявлено использование Transformers на GPU NVIDIA. Контекстное окно составляет 131 072 токена. Лицензия — Apache-2.0. Для Transformers версии 5.0.0 и новее в README отмечена возможная ошибка KeyError, связанная с неподдерживаемым типом RoPE "default" в PaddleOCR-VL.

UMCU/PII_XMLR.eu — многоязычная модель для выявления и классификации персональных данных в тексте. Её создали в UMCU, дообучив FacebookAI/xlm-roberta-base на наборе ai4privacy/pii-masking-openpii-1.5m с помощью MedNER. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; она принимает текст и относит токены к классам, что позволяет находить фрагменты с персональными данными для последующей деидентификации или маскировки. Модель обучали на английском, нидерландском, французском, немецком, испанском, итальянском, датском, шведском и португальском языках. В классификационной голове вместо одного линейного слоя используются три плотных слоя с ReLU и dropout 10%. Максимальная длина контекста — 514 токенов. Модель подходит для поиска и разметки PII в текстах на поддерживаемых языках; качество зависит от языка, типа данных и сходства текста с обучающим набором. Лицензия — Apache-2.0.

Qwen3.5-KETI-HAECHI-27B-GGUF — это GGUF-квантизация модели Qwen3.5-KETI-HAECHI-27B, разработанной KETI-NLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальных сценариев image-text-to-text, включая обработку изображений и текста, OCR, работу с объектами культурного наследия, использование инструментов и выполнение задач с длинной цепочкой рассуждений. Заявлена поддержка корейского и английского языков. Модель имеет размер 27B параметров. Это vision-language модель с дополнительными файлами mmproj для мультимодальной обработки; доступны варианты mmproj-Q8_0 и mmproj-f16. Предлагаются квантизации от Q2_K до Q8_0, включая IQ4_XS, с размером файлов примерно от 10,8 до 28,7 ГБ. В README не указана длина контекста, а также отсутствуют подробности об архитектуре базовой модели, качестве на конкретных benchmarks и требованиях к оборудованию. Сильной стороной является сочетание мультимодальности, поддержки корейского языка и специализации на культурном наследии и OCR. Качество и требования к ресурсам зависят от выбранного варианта квантизации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как наиболее качественный среди перечисленных. Модель распространяется по лицензии Apache-2.0.