I.4Обработка документов и форм

Hukyl/trocr-large-rukopys — модель распознавания текста на изображениях строк и областей рукописных украинских архивных документов. Её разработчик дообучил архитектуру TrOCR-Large в формате VisionEncoderDecoderModel, содержащую около 558 млн параметров, на размеченных данных Rukopys. Модель принимает обрезанные изображения отдельных текстовых областей; для работы с полной страницей перед ней нужен детектор макета документа. Токенизатор использует расширенный кириллический словарь. Модель обучена распознавать разные типы областей Rukopys: рукописный и печатный текст, аннотации и таблицы; обучение включало аугментации, имитирующие вариации бумаги, сканирования и почерка. Указанные метрики получены на родственной модели с тем же рецептом обучения, а не на этом чекпойнте: его собственная валидационная выборка была слишком мала для надёжной оценки. Результаты для печатного текста, таблиц и аннотаций особенно ненадёжны из-за небольшого числа примеров. Модель предназначена для украинских архивных документов; качество может снижаться на других языках, письменностях и современных цифровых текстах. Выход нормализуется под метрики распознавания и может не быть точной дипломатической транскрипцией. Лицензия репозитория — Apache-2.0.

VideoLLaMA3-2B-Image — мультимодальная модель для понимания изображений, основанная на Qwen2.5-1.5B-Instruct и разработанная командой DAMO-NLP-SG. Она принимает текстовые вопросы и визуальный контент и формирует текстовые ответы; карточка представляет её как вариант семейства VideoLLaMA 3 для анализа изображений и видео. Модель содержит 1,5 млрд параметров, использует архитектуру Videollama3Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом изображений, извлечения сведений из визуальных сцен и мультимодального диалога. В README VideoLLaMA 3 также описана как семейство для понимания видео, однако эта карточка и её основной тег относятся к visual question answering. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Это модель XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для разметки отдельных токенов во входном тексте; конкретный набор меток и прикладной сценарий в карточке не описаны. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: F1 0,8848 и loss 0,2936. Разработчик указан как DeepaPeri. Модель опубликована по лицензии MIT.

Карточка модели 01-ai/Yi-VL-34B на Hugging Face совпадает с карточкой 01-ai/Yi-VL-6B, поэтому описание составлено по ней. Yi-VL-6B — мультимодальная модель 01.AI для диалогов по изображениям. Она построена на архитектуре LLaVA: использует CLIP ViT-H/14 для кодирования изображения, проекционный модуль на основе двухслойного MLP и языковую модель Yi-6B-Chat. Модель содержит 5,8 млрд параметров, принимает текст и одно изображение и генерирует текст; поддерживает контекст до 4096 токенов и обработку изображений с масштабированием до 448×448 пикселей. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения и обобщения визуальной информации. Она поддерживает общение на английском и китайском языках. В README отмечены сильные результаты на мультимодальных бенчмарках MMMU и CMMMU по данным на январь 2024 года. Среди ограничений — возможные галлюцинации и ошибки в описании объектов; за один запрос можно передать только одно изображение. Лицензия — Apache-2.0.

SinaLab/ArabicWojood-FlatNER — модель SinaLab для распознавания именованных сущностей в арабском тексте с плоской разметкой, то есть без вложенных сущностей. Она основана на архитектуре BERT и предназначена для token classification; в метаданных указаны 162,4 млн параметров и контекст до 512 токенов. Модель ориентирована на современный стандартный арабский и диалекты и связана с корпусом Wojood объёмом 550 тыс. токенов. README сообщает micro-F1 0,883847 для плоского NER. Модель подходит для выделения сущностей в арабских текстах и оценки таких систем. Репозиторий содержит веса PyTorch; лицензия MIT.

Boterham 0.5B — компактная преимущественно нидерландоязычная языковая модель от ToetsChecker Research. Это decoder-only Transformer с 488,2 млн параметров; экспорт использует реализацию Qwen3ForCausalLM, но веса и токенизатор обучены с нуля, поэтому модель не является производной от Qwen. Контекстное окно — 2 048 токенов. Модель принимает текст и предназначена прежде всего для работы с предоставленными фрагментами и документами: извлечения ответов, суммаризации и воздержания от ответа, если нужной информации в тексте нет. Также обучалась арифметике, классификации, переводу между нидерландским и английским языками и коротким диалогам. Модель подходит для экспериментов с NLP на нидерландском языке, документных помощников и сценариев RAG. Лицензия — Apache-2.0. Это небольшая экспериментальная модель с ограниченными общими знаниями; она может ошибаться или выдумывать сведения. Контекст короткий, а открытый диалог и творческая генерация получили меньше внимания при обучении. Фактические утверждения следует проверять по источникам; опубликованных результатов EuroEval пока нет.

Donut-base-finetuned-zhtrainticket — модель семейства Donut, разработанная командой NAVER CLOVA и дообученная на наборе ZhTrainTicket для разбора изображений китайских железнодорожных билетов. Она использует архитектуру encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART пошагово формирует текстовый результат. Модель выполняет извлечение сведений из билета напрямую по изображению, без отдельного OCR-конвейера. Модель подходит для автоматизированного разбора билетов и извлечения структурированных сведений из изображений китайских железнодорожных билетов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Карточка не приводит численный размер модели или длину контекста.

gyr66/Ernie-3.0-base-chinese-finetuned-ner — модель для распознавания именованных сущностей в тексте, построенная на архитектуре ERNIE и имеющая около 144 млн параметров. Она принимает текст и классифицирует токены, что подходит для извлечения сущностей из документов и других текстовых материалов. В метаданных указан контекст до 2048 токенов; модель опубликована в формате safetensors. В README приведены результаты оценки: F1 — 0,6986, точность — 0,6511, полнота — 0,7535, accuracy — 0,9053. Автор сообщает, что модель обучалась с нуля на неизвестном наборе данных, поэтому связь с базовой моделью ERNIE-3.0-base-chinese из названия не подтверждена. Сведения о лицензии и конкретных типах сущностей отсутствуют.

HiNER-original-muril-base-cased — модель разметки последовательностей на архитектуре BERT, обученная с нуля на наборе данных cfilt/HiNER-original. Она предназначена для присвоения меток отдельным токенам, однако README не уточняет типы сущностей или другие категории разметки. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка не сообщает условия лицензии и оценку качества.

townboy разработал BERT-модель токенной классификации для обнаружения 33 типов персональных данных в корейских текстах. Модель дообучена на KPF/KPF-bert-ner и выдаёт BIO-разметку, которую можно преобразовать в символьные диапазоны PII. Она содержит 141,2 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для извлечения персональных данных из корейских предложений и документов, включая имена, адреса, электронную почту и идентификационные номера. На синтетическом независимом наборе из 1 320 документов автор получил micro-F1 0,8643; validation micro-F1 составил 0,996463, но он измерялся на менее строгих условиях. Для структурированных 13-значных корейских идентификационных номеров README рекомендует отдельную нормализацию и проверку контрольной суммы. Модель распространяется по MIT License вместе с оговоркой, что перед использованием и распространением нужно проверить актуальные условия лицензии базовой модели. Синтетический характер обучающих и оценочных данных ограничивает переносимость результатов на реальные документы и рабочие домены.

Kay86X/layoutlmv3-finetuned-ex — дообученная Kay86X модель Microsoft LayoutLMv3 для классификации токенов в документах. Она предназначена для извлечения и разметки элементов документа с учётом текста, изображения страницы и пространственного расположения токенов. Модель построена на LayoutLMv3-base, содержит 151,8 млн параметров и принимает контекст до 514 токенов. В README приведены результаты на оценочном наборе: F1 0,8332, precision 0,8362, recall 0,8351 и accuracy 0,9807. Датасет, схема меток и конкретная предметная область не описаны, поэтому качество на других типах документов и задачах не установлено. Для использования нужны текст документа и соответствующие координаты и изображения страниц. Лицензия CC BY-NC-SA 4.0 требует соблюдения условий атрибуции, распространения производных работ на тех же условиях и не допускает коммерческое использование.

nielsr/lilt-xlm-roberta-base — модель, созданная сочетанием Language-Independent Layout Transformer (LiLT) и XLM-RoBERTa-base. Это мультиязычный трансформер для извлечения признаков из документов с учётом текстового содержимого и его расположения на странице, по назначению близкий к LayoutLM. Модель содержит 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в форматах PyTorch и safetensors. Модель предназначена для построения представлений документов и может служить основой для задач понимания структуры документов на разных языках. XLM-RoBERTa обучалась на 100 языках; карточка указывает мультиязычную поддержку, включая английский, немецкий, французский, испанский, арабский, китайский и другие языки. Лицензия — MIT. Карточка не приводит оценок качества или подробных ограничений применения.

Llama 4 Scout 17B 16E Instruct — мультимодальная инструкционная модель Meta на архитектуре Llama 4 с механизмом смеси экспертов и ранним объединением модальностей. В карточке репозитория указано 17 млрд параметров и 16 экспертов; модель работает с текстом и изображениями и поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для ассистентских диалогов и визуального рассуждения: распознавания содержимого изображений, ответов на вопросы о них и создания подписей. Она рассчитана на арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Для понимания изображений модель протестирована на входе до пяти изображений. Модель может применяться в коммерческих и исследовательских сценариях, включая генерацию синтетических данных. Это статичный чекпойнт, обученный на офлайн-данных; качество ответов и безопасность следует проверять для конкретного применения. Использование регулируется пользовательской лицензией Meta Llama 4 Community License Agreement.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная командой авторов LLaVA-NeXT; этот вариант использует NousResearch/Nous-Hermes-2-Yi-34B как языковую основу. Архитектура объединяет большую языковую модель и предварительно обученный визуальный энкодер. Модель принимает изображения и текст и генерирует текстовые ответы; повышенное разрешение изображений и улучшенное обучение визуальным инструкциям предназначены для улучшения распознавания текста на изображениях и рассуждений на основе визуального контекста. Модель подходит для описания изображений, ответов на вопросы о них и диалоговых мультимодальных сценариев. В карточке заявлена двуязычная поддержка, а метаданные указывают английский язык. Размер 34B следует из используемой языковой основы. Репозиторий содержит веса Safetensors и предназначен для работы с Transformers. В карточке не приведены сведения о длине контекста и лицензии этого конкретного чекпойнта.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная модель для диалога с изображениями, разработанная авторами работы LLaVA-NeXT. В этой версии языковая часть основана на Mistral-7B-Instruct-v0.2, объединённой с предварительно обученным визуальным энкодером. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текст. Повышенное разрешение изображений и улучшенное обучение визуальным инструкциям предназначены для более качественного распознавания текста на изображениях, ответов на визуальные вопросы и рассуждений о содержимом изображения. Подходит для описания изображений и мультимодального чат-бота. Поддерживается английский язык; в README также заявлена двуязычная поддержка для семейства LLaVA-1.6, но второй язык для этого чекпойнта не уточнён. Репозиторий распространяется по лицензии Apache-2.0.

Mono-InternVL-2B — мультимодальная модель с настройкой на выполнение инструкций из семейства InternVL, разработанная OpenGVLab. Она построена на InternLM2-Chat-1.8B и объединяет языковую модель с компонентами для работы с изображениями; в репозитории указаны 1,8 млрд активируемых параметров и 3 млрд параметров всего. Модель предназначена для диалога по изображениям и генерации текстовых ответов на инструкции, связанные с визуальным содержимым. Метаданные также отмечают поддержку чата и мультиязычность. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Модель может ошибаться при распознавании мелких деталей и сложных сцен; конкретные ограничения качества в карточке не описаны.

Kansallisarkisto/multicentury-htr-model — модель распознавания рукописного текста на изображениях, разработанная Государственным архивом Финляндии и дообученная на базе microsoft/trocr-large-handwritten. Архитектура TrOCR использует визуальный энкодер и текстовый декодер, преобразуя строки текста на изображении в последовательность символов. Модель предназначена для оцифровки исторических документов, рукописей и заметок на финском и шведском языках. Она обучена на более чем 913 тысячах строк рукописного и печатного текста XVI–XX веков; в README указана частота ошибок по символам CER 2,8 на тестовом наборе около 111 800 строк. Лицензия — Apache 2.0. Обучающие данные преимущественно содержат латинские буквы и финские и шведские символы å, ä и ö. Модель не обучалась на кириллице и других нелатинских письменностях; качество за пределами финского, шведского и английского может быть низким.

multicentury-htr-model-small — компактная модель распознавания рукописного текста, разработанная Национальным архивом Финляндии и дообученная на базе microsoft/trocr-small-handwritten. Архитектура TrOCR типа vision-encoder-decoder принимает изображения строк текста и генерирует их транскрипцию. Обучающая выборка включает более 913 тысяч рукописных и печатных строк из документов XVI–XX веков; модель предназначена для оцифровки архивов и транскрибирования рукописных заметок на финском и шведском языках. В карточке указана оценка CER 4,08 на тестовом наборе примерно из 111 800 строк. Модель поддерживает базовую латиницу и скандинавские символы å, ä и ö; она может хуже обобщать на другие языки, а нелатинские письменности, включая кириллицу, в обучении не представлены. Лицензия — Apache 2.0.

Persian-OCR от WeightedAI — модель оптического распознавания символов, предназначенная для извлечения персидского текста из изображений. Она использует архитектуру CNN и Transformer с обучением по функции потерь CTC; в репозитории представлены веса PyTorch и словарь символов. Модель содержит 183,5 млн параметров. Для обучения использовался пользовательский синтетический набор примерно из 600 тысяч изображений персидского текста, созданных на основе Википедии с 49 шрифтами; длина последовательностей составляла от 0 до 150 символов. В README заявлена точность последовательности 96% на этом наборе. Модель подходит для распознавания персидских надписей и страниц, но для реальных изображений может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

ParkJunSeong разработал и опубликовал модель для обнаружения персональных данных в корейском тексте. Это дообученная версия монологг/koelectra-base-v3-discriminator на архитектуре ELECTRA, предназначенная для токенной классификации и распознавания сущностей: имён, регистрационных номеров жителей, телефонов и других категорий персональных данных. Модель содержит 140,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: F1 95,92, точность 95,46, полнота 96,38 и accuracy 99,69; набор данных и условия оценки не описаны, поэтому эти показатели могут не отражать качество на других данных. Модель рассчитана на корейский язык. Лицензия — Apache-2.0.

Карточка модели TechnoBaptist/privacy-filter-multilingual-v2 на Hugging Face совпадает с карточкой OpenMed/privacy-filter-multilingual-v2, поэтому описание составлено по ней. OpenMed разработала OpenMed/privacy-filter-multilingual-v2 — мультиязычную модель для извлечения персональных данных из текста. Это полноценно дообученная на базе openai/privacy-filter модель с архитектурой MoE и BIOES-головой классификации токенов. Она размечает фрагменты по 54 категориям PII, используя 217 меток BIOES. В метаданных указано 145,4 млн параметров и контекст до 131 072 токенов; карточка описывает исходную базовую модель как MoE на 1,4 млрд параметров с 50 млн активных параметров на токен. Модель предназначена для обнаружения и последующего маскирования персональных данных в многоязычных текстах; обёртка OpenMed также поддерживает извлечение сущностей и деидентификацию с заменой значений. Поддерживаются арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Весовые файлы представлены в формате safetensors, лицензия — Apache-2.0. Качество неравномерно: карточка отмечает более слабые результаты для японского, корейского, китайского и ряда языков с низкими ресурсами. Обучающие данные преимущественно синтетические, поэтому для реальных текстов и критически важных сценариев нужны доменная оценка и калибровка; модель не является специализированным решением для клинических медицинских данных и не заменяет проверку требований законодательства.

MLX-версия мультимодальной модели Qwen3.5-35B-A3B-4bit, преобразованная сообществом mlx-community из оригинальной Qwen3.5-35B-A3B с помощью mlx-vlm 0.3.12. Модель предназначена для задач, в которых требуется обработка текста и изображений, включая генерацию текстовых ответов по изображениям. Она ориентирована на запуск в экосистеме MLX и может использоваться через пакет mlx-vlm. Из доступных данных известно, что модель имеет размер 35B-A3B и представлена в 4-битном формате, однако подробности архитектуры, поддерживаемые языки, размер контекстного окна и точные модальности не указаны. README демонстрирует сценарий описания изображения с генерацией до 100 токенов. Модель распространяется по лицензии Apache-2.0; для полного описания возможностей следует обратиться к карточке исходной модели Qwen/Qwen3.5-35B-A3B.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

Qwen3-VL-32B-Instruct-MLX-4bit — это 4-битная MLX-квантизированная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантизацию подготовила команда LM Studio с использованием mlx_vlm; модель предназначена для запуска на устройствах с Apple Silicon и относится к классу image-text-to-text, то есть обрабатывает изображения и текст и генерирует текстовые ответы. Модель имеет размер 32 млрд параметров в исходной версии и ориентирована на выполнение инструкций и мультимодальные сценарии, включая анализ визуального содержимого в сочетании с текстовыми запросами. 4-битное представление уменьшает требования к памяти и оптимизировано для MLX, что делает модель более подходящей для локального использования на совместимых компьютерах Apple Silicon. К ограничениям относятся потеря части точности по сравнению с исходной полноразмерной моделью из-за квантизации, зависимость от совместимого окружения MLX и преимущественная ориентация на Apple Silicon. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen2.5-VL-7B-Instruct-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстовых ответов. Она поддерживается llama.cpp и совместимыми проектами, включая LM Studio, и использует формат диалогов с системными, пользовательскими и ассистентскими сообщениями. В набор входят варианты от исходных весов BF16 до различных уровней квантизации Q8_0, Q6, Q5, Q4, Q3 и Q2, включая форматы K-квантизации и IQ. Размер файлов составляет примерно от 3,5 до 15,2 ГБ, поэтому можно выбирать между качеством, потреблением памяти и скоростью инференса. В README указан английский язык; сведения о размере контекста, точной архитектуре, полном наборе поддерживаемых языков и ограничениях мультимодального ввода не приведены. Сильной стороной модели является сочетание визуального и текстового ввода, а также широкий выбор квантизаций для локального запуска на устройствах с разным объёмом памяти. Более сильные варианты сохраняют качество, тогда как младшие квантизации экономят ресурсы, но могут заметно снижать точность. Для работы требуется совместимый llama.cpp-совместимый загрузчик и подходящий файл GGUF. Модель распространяется по лицензии Apache-2.0.

SLIMER-PARALLEL-LLaMA3-GGUF — это набор квантизированных версий языковой модели SLIMER-PARALLEL-LLaMA3, разработанной expertai и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и задач zero-shot выделения именованных сущностей (NER), включая работу с набором данных Universal-NER/Pile-NER-type. Модель ориентирована на английский язык. В репозитории доступны варианты от исходных весов F16 размером 16,07 ГБ до более компактных форматов Q2–Q8 размером примерно от 3,7 до 8,5 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Указанная архитектурная основа — LLaMA 3; точное число параметров, размер контекста и перечень поддерживаемых модальностей в README не приведены. Для работы рекомендуются llama.cpp и LM Studio, при этом отдельные варианты оптимизированы для ARM-процессоров. Сильной стороной модели является специализация на извлечении сущностей без дополнительного обучения и наличие большого выбора уровней квантизации, включая варианты, ориентированные на высокое качество или ограниченный объём оперативной памяти. Ограничения включают англоязычную направленность, возможное снижение качества в более сильных вариантах квантизации и отсутствие в README подробных результатов оценки. Лицензия указана как llama3.1; условия её применения следует проверять отдельно в документации исходной модели и соответствующей лицензии.

ivlcic/sour-sarma — модель распознавания именованных сущностей для славянских языков, дообученная на базе jhu-clsp/mmBERT-base. Она использует архитектуру ModernBERT с 306,9 млн параметров и контекстом до 8192 токенов. Модель предназначена для разметки токенов и выделения сущностей в тексте; обучение проводилось на корпусах для NER, включая SUK, BSNLP, hr500k, SETimes.SR и WikiAnn. Модель охватывает словенский, хорватский, сербский, боснийский, македонский, албанский, чешский, болгарский, польский, русский, словацкий и украинский языки. В README указано, что она показывает текущий лучший результат на Slobench NER. Для неё заявлена лицензия Apache-2.0. При использовании следует учитывать, что разметка подслов повторяет метку соответствующего слова, поэтому стандартный конвейер может требовать особой обработки.

Turath-OCR-Fix — модель компании Sadiqoon Technologies для исправления ошибок OCR в арабских и персидских текстах. Это дообученная google/byt5-base: символьная модель семейства T5 с байтовым словарём, примерно 595,1 млн параметров. Она восстанавливает пропущенные хамзы и точки, исправляет подмены букв и написание персидских букв, удаляет лишние татвиль и диакритические знаки, а также исправляет пробелы и пунктуацию. Модель предназначена для постобработки OCR при оцифровке книг и других текстов, в том числе наследия на арабском и персидском языках. В описанной оценке на 600 отложенных фрагментах она снизила CER с 2,65% до 0,74%, устранив 72% символьных ошибок. По замыслу разработчика, модель исправляет распознанное консервативно и старается оставить остальной текст без изменений. В README для обработки используется максимальная длина входа 384 токена; лицензия — MIT.

UDOP-finetuned-DocLayNet-3 — модель семейства UDOP для классификации токенов в документах. Она дообучена для задачи разметки элементов макета документа на данных DocLayNet-small и может применяться для извлечения структурных областей из документов. Модель содержит 386,3 млн параметров и опубликована в формате safetensors под лицензией Apache-2.0. В карточке приведены результаты оценки: F1 0,5962, точность 0,6058, полнота 0,5870 и accuracy 0,7863. Метаданные указывают английский язык; модель предназначена для анализа документов с текстовым содержимым. Эти метрики показывают умеренное качество разметки, поэтому результаты для документов и классов, отличающихся от DocLayNet, требуют отдельной проверки.

XLM-RoBERTa base, дообученная командой TNER для распознавания именованных сущностей (NER) в арабском варианте набора PAN-X. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает текст; максимальная длина контекста — 514 токенов. Модель предназначена для выделения и разметки сущностей в арабском тексте, например имён людей, организаций и географических названий. Для загрузки токенизатора в README приведён идентификатор asahi417/tner-xlm-roberta-base-panx-dataset-ar. Лицензия в предоставленных данных не указана.