I.4Обработка документов и форм

Qwen3-VL-8B-Thinking — мультимодальная модель семейства Qwen3-VL от команды Qwen компании Alibaba Cloud, представленная в формате MLX fp16 для локального запуска на компьютерах Apple Silicon через NexaSDK. Это производная от Qwen/Qwen3-VL-8B-Instruct модель с 8 млрд параметров, предназначенная для диалога и рассуждений по тексту, изображениям и видео. Модель подходит для визуальных вопросов и ответов, анализа сцен, графиков и документов, объяснения результатов и многошагового анализа мультимодальных данных. Она принимает текст и изображения, в том числе последовательности видеокадров, и формирует текстовые ответы; README также заявляет структурированные цепочки рассуждений и JSON-ответы. Карточка отмечает многоязычные возможности, но не перечисляет конкретные языки или длину контекста. В README заявлены углублённое визуальное рассуждение и работа с длинным контекстом, однако конкретные тесты и количественные результаты не приведены. Модель распространяется под лицензией Apache-2.0, унаследованной от базовой модели Qwen/Qwen3-VL-8B-Instruct.

pdelobelle/robbert-v2-dutch-ner — нидерландоязычная модель для разметки токенов на основе RobBERT, разработанная на базе архитектуры RoBERTa. Она предназначена для дообучения на задаче распознавания именованных сущностей и других задачах классификации токенов. Модель содержит 144 млн параметров, принимает текст и поддерживает контекст до 514 токенов. RobBERT — предварительно обученная языковая модель для нидерландского языка, применявшаяся для задач обработки нидерландского текста; эта версия классификации токенов распространяется в форматах PyTorch и Flax. Карточка указывает на поддержку нидерландского и фламандского вариантов. Лицензия — MIT. Конкретные типы сущностей и показатели качества для этой версии в предоставленных данных не описаны.

Salamandra-VL-7B-2512 — мультимодальная модель семейства Salamandra от BSC-LT, построенная на архитектуре LLaVA OneVision. Она объединяет языковую модель Salamandra 7B, настроенную на следование инструкциям, с визуальным энкодером SigLIP 2 Giant и двухслойным MLP-проектором. Модель обучали на мультиязычных инструкциях, включая коллекцию Aya, и визуальных данных PixMo для детального понимания изображений, привязки объектов и подсчёта. Модель предназначена для диалога по изображениям и тексту: она отвечает на вопросы о содержимом изображений, описывает сцены, считает объекты, интерпретирует диаграммы и таблицы и помогает разбирать документы. Карточка отмечает фокус на европейских языках; метаданные перечисляют поддержку многих языков, включая русский. Модель также может отвечать на текстовые инструкции и вопросы по коду. В карточке приведены улучшения относительно предыдущей версии на ряде визуальных бенчмарков, в том числе AI2D, ChartQA и CountBenchQA. Это ранний прототип без RLHF-выравнивания и полной оценки когнитивных и социальных предубеждений; модель может выдавать вредные или неуместные ответы. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

th_PP-OCRv5_mobile_rec — компактная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения тайского текста из изображений и может использоваться как модуль распознавания в конвейере OCR, включающем обнаружение текста и, при необходимости, коррекцию ориентации и геометрических искажений. Для модели указана точность распознавания строк 82,68%; строка считается распознанной неверно, если ошибочен хотя бы один символ или знак пунктуации. Модель принимает изображения текстовых строк и выдаёт распознанный текст. Репозиторий предназначен для использования с библиотекой PaddleOCR; лицензия — Apache-2.0. В README не приведены дополнительные ограничения по качеству или условия использования.

TranslateGemma 12B IT — модель для перевода от Google Translate, дообученная на основе Gemma 3. Она предназначена для перевода текста между 55 языками и может извлекать текст из изображения и переводить его. Модель принимает текст и изображения; для изображения предусмотрена обработка с разрешением 896 × 896 пикселей. Контекст входа составляет 2K токенов, а результатом служит текст перевода. Модель ориентирована на запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для работы предусмотрен шаблон чата Gemma, поддерживаемый Transformers. Обучение включало supervised fine-tuning на параллельных данных и этап reinforcement learning. Качество перевода зависит от покрытия и качества обучающих данных; модель может ошибаться в передаче нюансов, сарказма и предметного контекста. Указанная лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования.

bullerwins/translategemma-12b-it-GGUF — GGUF-версия TranslateGemma 12B IT, модели Google Translate на базе семейства Gemma 3. Модель предназначена для перевода текста между 55 языками, а также для извлечения текста из изображений с последующим переводом. Благодаря относительно компактному размеру её предполагается использовать на ноутбуках, настольных компьютерах и в собственной облачной инфраструктуре. Модель мультимодальная: принимает текст или изображения, нормализованные до разрешения 896 × 896 и кодируемые в 256 токенов на изображение. Общий входной контекст составляет 2K токенов, выходом является текст на целевом языке. Для работы требуется специальный chat template с ролями User и Assistant и обязательным указанием исходного и целевого языков в формате ISO 639-1 или регионализированном формате. Поддерживаемые языки и региональные варианты ограничены возможностями модели; некорректный код языка вызывает ошибку. Сильные стороны модели — сочетание перевода текста и перевода текста с изображений, поддержка 55 языков и возможность развертывания в средах с ограниченными ресурсами. Ограничения включают небольшой контекст, строгий формат входных сообщений и необходимость применять совместимый шаблон чата. Дополнительные сценарии, например автоматическое постредактирование машинного перевода, упоминаются как неофициально поддерживаемые. Использование регулируется лицензией Gemma и условиями Google; доступ к исходной модели на Hugging Face требует принятия условий использования.

Hukyl разработала trocr-rukopys — модель распознавания текста на изображениях на базе TrOCR-base с архитектурой VisionEncoderDecoderModel, включающей энкодер ViT-B/16 и декодер TrOCR; в модели около 334 млн параметров. Она дообучена на наборе Rukopys для распознавания строк и областей с рукописным украинским текстом в архивных документах и рассчитана на работу после детектора макета страницы. В обучении также использовались печатный текст, аннотации и табличные области, но для этих классов приведено мало оценочных примеров. На 1000 примерах валидации для рукописного текста указаны CER 0,1126 и WER 0,3036; авторы предупреждают, что разбиение выполнено по фрагментам, а не по страницам, поэтому оценка может быть оптимистичной. Модель хуже подходит для других языков и письменностей, современного цифрового текста и точной транскрипции без нормализации. Датасет Rukopys распространяется по лицензии CC BY 4.0; базовая модель не указывает явную лицензию, поэтому условия её использования и распространения следует проверить отдельно.

ifesther/trocr-spanish-handwritten — модель распознавания рукописного текста на испанском языке, созданная дообучением microsoft/trocr-base-handwritten. Она предназначена для преобразования изображений отдельных рукописных строк в текст, включая современные испанские диакритические знаки и символы ñ, ¿ и ¡. Архитектура — vision encoder-decoder: визуальный энкодер ViT и авторегрессионный декодер RoBERTa. При обучении заморозили веса энкодера и адаптировали декодер на 3 000 синтетических строк, созданных с использованием 41 шрифта рукописного письма. Данные включали разные типы бумаги, цвет чернил, перспективные искажения и размытие. Модель рассчитана на распознавание строк, например в заметках, стихах, именах и датах. Лицензия — MIT. Модель работает с изображениями, где текст уже выделен в отдельные строки; страницы необходимо предварительно сегментировать. Она оптимизирована для современной испанской рукописи, а качество на исторической каллиграфии может различаться.

UVDoc — модель для геометрической коррекции изображений документов, разработанная командой PaddlePaddle и предназначенная для использования в экосистеме PaddleOCR. Она исправляет искажения документа, включая деформацию, наклон и перспективные преобразования, чтобы повысить точность последующего распознавания текста. Модель работает с изображениями документов и возвращает скорректированное изображение. В карточке указаны языки en и zh, однако архитектура, количество параметров, размер модели и максимальный размер контекста не раскрыты. На тестовом наборе DocUNet модель показала CER 0,179. Её сильная сторона — специализированная коррекция сложных геометрических искажений перед OCR; ограничение заключается в том, что она не является самостоятельной моделью распознавания текста. Для запуска через ONNX Runtime используется PaddleOCR. Модель распространяется по лицензии Apache-2.0.

srmjfba/xlm-roberta-base-finetuned-panx-all — дообученная модель XLM-RoBERTa Base для классификации токенов. В метаданных указана архитектура XLMRobertaForTokenClassification, 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для разметки отдельных слов и фрагментов текста, например распознавания именованных сущностей; название указывает на обучение на PAN-X, однако README не подтверждает состав датасета. Модель использует библиотеку Transformers и распространяется в формате safetensors. В README приведены результаты оценки: F1 0,8550 и loss 0,1725. Лицензия — MIT. Сведения о поддерживаемых языках, конкретных типах меток и ограничениях качества не приводятся.

mocher72/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa, дообученная для классификации токенов. Она предназначена для разметки последовательностей, например распознавания именованных сущностей в тексте. В README указаны результаты оценки: F1 0,8629 и loss 0,1338; обучающий датасет не описан. Модель содержит 305,2 млн параметров, принимает текст, а контекст составляет до 514 токенов. Репозиторий распространяется в формате safetensors по лицензии MIT.

Это модель XLM-RoBERTa-base, дообученная автором creemur для классификации токенов. По названию модели она предназначена для распознавания именованных сущностей на немецком и итальянском языках в рамках задачи PAN-X. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Максимальная длина контекста составляет 514 токенов. В README указаны результаты оценки: loss 0,2615 и F1 0,8317, но датасет и подробности оценки не раскрыты. Модель распространяется с лицензией MIT.

ZDTaichu5.0-9B — мультимодальная модель общего назначения от TaichuAI для визуального понимания, пространственных рассуждений и агентных задач. Она сочетает языковую основу Qwen3.5-9B с визуальным энкодером C-RADIOv4-H; модель относится к семейству ZDTaichu5.0 и имеет плотную архитектуру. В метаданных указан формат safetensors. Модель принимает текст, изображения и видео, включая изображения высокого разрешения, и поддерживает контекст до 128 тысяч токенов. Модель предназначена для ответов на вопросы по изображениям и видео, чтения документов и графиков, визуальной математики, анализа пространственных отношений и сцен, а также многошагового использования инструментов. Она также рассчитана на исследования и адаптацию для embodied AI и VLA-сценариев. В README заявлены сильные результаты среди сравниваемых моделей масштаба около 10 млрд параметров, включая пространственное понимание и агентные задачи; это утверждения авторов для описанных ими условий оценки. Самостоятельно инструменты модель не выполняет: их запуск и проверка должны обеспечиваться приложением. Лицензия в предоставленных данных не указана.

onnx-community/bert-base-multilingual-cased-ner-hrl-ONNX — ONNX-версия модели Davlan/bert-base-multilingual-cased-ner-hrl, автоматически сконвертированная и опубликованная сообществом ONNX на Hugging Face. Модель основана на многоязычной базовой версии BERT mBERT и предназначена для распознавания именованных сущностей в текстах. Модель решает задачу token classification и выделяет три типа сущностей: людей (PER), организации (ORG) и местоположения (LOC). Она обучена для арабского, немецкого, английского, испанского, французского, итальянского, латышского, нидерландского, португальского и китайского языков. Предусмотрено использование через Transformers.js и pipeline token-classification, что подходит для локального или браузерного инференса в ONNX-совместимой среде. Сильной стороной модели является единая многоязычная архитектура для десяти языков и поддержка определения границ соседних сущностей одного типа. Ограничение заключается в том, что обучение проводилось на размеченных новостных статьях определённого периода, поэтому качество может снижаться на текстах других доменов и в иных сценариях. Размер контекста и точные параметры ONNX-конфигурации в README не указаны. Модель распространяется по лицензии AFL-3.0.

protectai/bert-base-NER-onnx — это ONNX-версия модели dslim/bert-base-NER, разработанная для проекта ProtectAI и преобразованная в формат ONNX с использованием библиотеки Hugging Face Optimum. Проект архивирован и больше не поддерживается активно. Модель предназначена для задачи распознавания именованных сущностей (NER), в том числе для извлечения персон, организаций, местоположений и сущностей категории MISC из англоязычного текста. Она основана на bert-base-cased, дообученной на англоязычной версии набора данных CoNLL-2003, и относится к классу моделей token classification. Для запуска используются Optimum ONNX Runtime и Transformers. Известные характеристики модели: поддерживается английский язык, формат ONNX, базовая архитектура BERT и четыре типа сущностей — LOC, ORG, PER и MISC. README не указывает размер модели, длину контекста, точные метрики качества или перечень поддерживаемых модальностей помимо текста. Лицензия — MIT. Ограничения включают специализацию на английском языке, зависимость от ONNX Runtime и отсутствие активной поддержки проекта.

Модель saribasmetehan/bert-base-turkish-uncased-ner — дообученная версия dbmdz/bert-base-turkish-uncased для распознавания именованных сущностей в турецком тексте. Она основана на BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на 18 967 примерах из турецкой Википедии и проверена на 1 000 примерах. Модель размечает сущности 19 типов, включая людей, организации, места, даты, события, денежные суммы, законы и произведения искусства. В README приведён результат F1 0,7821 на наборе оценки. Она рассчитана на извлечение сущностей из турецких текстов; MIT-лицензия разрешает использование и распространение в соответствии с её условиями.

marquesafonso/bertimbau-large-ner-selective — модель для распознавания именованных сущностей в текстах на португальском языке. Она основана на крупной версии BERTimbau и предназначена для разметки токенов по пяти классам: люди, организации, места, время и значения. В карточке указано, что использован вариант BERT-CRF для selective-сценария из папки ner_evaluation исходного репозитория BERTimbau. Модель имеет архитектуру BERT для классификации токенов, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Она подходит для извлечения сущностей из португалоязычных текстов, но карточка не приводит оценок качества или подробностей обучения.

DE·HTR v2 — модель распознавания современного немецкого рукописного текста, разработанная naeyn. Она принимает изображение одной заранее вырезанной строки и возвращает её текстовую транскрипцию; модель предназначена для запуска в браузере через ONNX Runtime Web и может работать полностью офлайн после загрузки. Архитектура включает stem ResNet18, три слоя BiLSTM-256 и CTC-голову; размер модели — 10,06 млн параметров. Репозиторий содержит ONNX-версию int8 размером 10,4 МБ и версию fp32 размером 40,3 МБ. Модель обучена на немецких рукописных данных; контекст задаётся шириной изображения до 1024 пикселей, отдельное текстовое окно не используется. В тесте на 601 строке от 78 авторов версия int8 показала CER 8,01% и WER 32,3% при жадном CTC-декодировании без языковой модели. Лучше всего модель работает с чистым сканированным почерком; результаты могут ухудшаться на бледном карандашном письме, исправлениях и необычных стилях. Она не предназначена для исторических немецких письменностей, распознавания целых страниц или надёжной обработки печатного текста и сложных математических символов. Алфавит ограничен 112 символами. Лицензия — Apache-2.0.

DictaBERT-Large NER — крупная модель семейства BERT, выпущенная Dicta, для распознавания именованных сущностей в современном иврите. Это дообученная для разметки последовательностей версия BERT-large с архитектурой BertForTokenClassification; размер составляет 533,7 млн параметров, а контекст — до 512 токенов. Модель принимает текст и присваивает метки его токенам, помогая находить в тексте сущности.

GemmaTranslate-v3-12B — мультимодальная модель на архитектуре Gemma 3, созданная объединением Google Gemma-3-12B-IT и TranslateGemma-12B-IT методом SLERP. Она предназначена прежде всего для перевода между языками, а также для диалоговой помощи и понимания изображений. Размер модели — 12 млрд параметров; заявленное окно контекста — до 128 тыс. токенов. Веса vision tower и multimodal projector взяты из Gemma-3-12B-IT, а языковые веса объединены в пропорции 50/50. Модель поддерживает более 30 языков и принимает текст и изображения, выдавая текст. Для запуска README рекомендует библиотеку Hugging Face Transformers; файлы опубликованы в формате safetensors. Модель доступна по условиям лицензии Gemma Terms of Use. Карточка заявляет усиленные возможности перевода, но не приводит результатов сравнительных оценок качества.

GLiNER2.5-KVKK-TR-v2 — модель извлечения сущностей и связей, созданная Newmind AI на основе fastino/gliner2.5-multi-v1. Она использует архитектуру GLiNER2 BoundaryExtractor: принимает текст и заданную схему меток, а затем извлекает сущности и связи за один проход. Модель дообучена в два этапа на турецких юридических текстах и данных для выявления персональной информации по требованиям KVKK; использует 118 меток с турецкими названиями. Базовая модель основана на mDeBERTa-v3-base и содержит 287 млн параметров. Модель предназначена для поиска персональных данных и других полей в юридических и нотариальных документах на турецком языке, а также для извлечения отношений между найденными сущностями. В карточке приведены результаты на синтетических и небольших наборах реальных документов; на реальных данных качество заметно ниже, чем на синтетическом тесте, а распознавание названий компаний и учреждений представляет особую сложность. Для получения ожидаемого качества рекомендуется подавать целые документы или абзацы, а не отдельные предложения. Лицензия — Apache-2.0.

IndicNER — модель команды AI4Bharat для распознавания именованных сущностей в предложениях на 11 языках Индии. Это дообученная для NER версия bert-base-multilingual-uncased, построенная на архитектуре BERT и доступная в формате PyTorch. Модель предназначена для извлечения именованных сущностей из текста. Для обучения использовали данные, собранные из корпуса Samanantar; качество оценивали на размеченном вручную тестовом наборе и других публичных наборах данных для NER на индийских языках. Модель поддерживает ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, панджаби, тамильский и телугу. Карточка отмечает, что после публикации статьи о Naamapadam в декабре 2022 года разработчики планировали обновить репозиторий новой версией модели. Лицензия — MIT.

hmart824/layoutlmv3-finetuned_0.1 — дообученная версия hmart824/layoutlmv3-finetuned для классификации токенов с использованием архитектуры LayoutLMv3. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Карточка сообщает значение Loss 0,4995 на оценочном наборе, но не описывает набор данных, метки или методику оценки. Модель предназначена для задач разметки токенов в документах. LayoutLMv3 относится к архитектурам для работы с текстом и визуальной структурой документов, однако сведения карточки не позволяют подтвердить конкретный сценарий или набор входных данных этой версии. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение и требования к распространению производных работ.

somukandula/maskara-tiny — дообученная модель семейства BERT для классификации токенов. Она размечает в тексте фрагменты, соответствующие персональным данным: среди оценивавшихся категорий указаны имена, адреса, телефоны, электронная почта, IP-адреса, пароли, номера документов и платёжные реквизиты, включая Aadhaar, PAN и UPI ID. Модель может применяться для поиска и разметки чувствительных данных в текстах. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На приведённой в карточке оценке общий F1 составил 0,8172; результаты заметно различаются по категориям, а для кредитных карт, паролей, SSN и паспортов F1 равен 0. Данные обучения и языки не описаны, поэтому качество для конкретного языка и домена по карточке установить нельзя. Лицензия — MIT.

MMFineReason-8B — мультимодальная модель рассуждений от OpenDataArena, дообученная на наборе MMFineReason-1.8M. Она основана на Qwen3-VL-Instruct и обучалась в два этапа: supervised fine-tuning на примерах с подробными визуально обоснованными рассуждениями и последующее reinforcement learning с GSPO. Модель предназначена для ответов на вопросы по изображениям, в том числе для математических и научных задач, головоломок, общего понимания изображений и OCR. Модель имеет плотную архитектуру Qwen3-VL и 8 млрд параметров. Обучающий набор включает 1,8 млн примеров с подробными цепочками рассуждений и описаниями изображений; в метаданных указан английский язык. Для работы с моделью используются изображения и текстовые запросы, на выходе она формирует текстовые ответы. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Модель NYTK/named-entity-recognition-nerkor-hubert-hungarian — венгерская модель распознавания именованных сущностей, разработанная NYTK. Она основана на SZTAKI-HLT/hubert-base-cc и дообучена на наборе NYTK-NerKor. Модель размечает текст по категориям PER (люди), LOC (места), MISC (прочие сущности) и ORG (организации). Модель предназначена для извлечения имен людей, географических названий и организаций из венгерского текста, например из новостей и документов. Архитектура — BERT для классификации токенов; в метаданных указан размер 137,8 млн параметров и контекст до 512 токенов. В карточке модели приведён максимальный размер последовательности 128 токенов и F-score 90,18%. Модель распространяется по лицензии Apache-2.0. Указанный в карточке предел последовательности в 128 токенов требует разбивать более длинные тексты на фрагменты перед обработкой.

Raveenasen/ner_model — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Она предназначена для задач разметки последовательностей, например распознавания именованных сущностей, однако карточка не уточняет набор меток и целевую задачу. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат весов safetensors. Контекст составляет до 512 токенов; лицензия — Apache-2.0. В README приведены метрики на оценочной выборке: loss 0,1098, accuracy 0,9780, precision 0,8828, recall 0,9028 и F1 0,8927. Эти результаты относятся к указанной выборке; без сведений о данных и метках нельзя оценить качество на других текстах. Базовая модель англоязычная, поэтому модель рассчитана прежде всего на английский текст.

PaliGemma 2 28B — разработанная Google базовая модель компьютерного зрения и языка. Она объединяет визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображения размером 448×448 пикселей вместе с текстом; длина текстовой последовательности на входе и выходе — до 512 токенов. Веса доступны в формате bfloat16 для дообучения. Модель предназначена прежде всего для настройки под конкретные задачи: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Возможные специализированные сценарии включают анализ снимков дистанционного зондирования, описание элементов интерфейса и ответы на визуальные вопросы. Модель поддерживает несколько языков, но их перечень в предоставленных данных не уточнён. Лицензия — Gemma; применяются условия использования и политика запрещённого использования Gemma. Это базовая модель для однократного запроса с изображением и текстом, а не многоходовый чат-бот; для специализированных задач рекомендуется дообучение. Она может ошибаться в фактах и рассуждениях, хуже справляться с неоднозначными или сложными открытыми запросами, а также отражать предвзятость данных обучения. Для применения нужны проверки качества и меры безопасности.

muhtasham/Phi-3.5-vision-instruct_20240915_223241 — дообученная версия мультимодальной Phi-3.5-vision-instruct от Microsoft. В карточке указано, что модель обучалась на датасете со средним размером 1,8 млн, но его название не приведено. Модель предназначена для диалоговой генерации текста. Базовая модель поддерживает работу с текстом и изображениями, включая ответы на вопросы по изображениям, OCR, анализ документов и суммирование видеоклипов по кадрам; README не уточняет, сохраняются ли все эти возможности после дообучения. Архитектура — плотная Phi3VForCausalLM, объём — 3,7 млрд параметров, библиотека — Transformers, формат весов — safetensors, указанная длина контекста — 4096 токенов. Карточка не содержит результатов оценки качества и конкретных рекомендаций по применению. Модель распространяется по лицензии MIT.