I.4Обработка документов и форм

DeepSeek-V4-Flash-Vision-Exp-GGUF — это мультимодальная GGUF-квантизованная версия модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и опубликованной пользователем prometheusAIR. Модель предназначена для обработки текста и изображений, включая задачи анализа содержимого изображений и генерации текстовых ответов по визуальным данным. Для работы с изображениями требуется отдельный vision tower mmproj в формате F16. Модель построена на архитектуре DeepSeek-V4 с MoE-компонентами и поддерживает обработку изображений через специализированную маршрутизацию image tokens. Доступны четыре варианта квантизации: IQ1_M размером 66,9 GiB, IQ2_XXS размером 78,8 GiB, IQ2_S размером 95,8 GiB и IQ3_XXS размером 108,7 GiB. Заявлена поддержка контекста до 1M токенов; вариант IQ2_XXS рассчитан на запуск с полным контекстом на видеокарте объёмом 96 GB. В README не указаны поддерживаемые языки. Сильные стороны модели — мультимодальность, большой контекст, несколько вариантов компромисса между размером и качеством, а также возможность запуска через llama.cpp, включая CPU-режим. Ограничения включают значительные требования к памяти, снижение качества при агрессивной квантизации и необходимость использовать сборку llama.cpp master от 2 сентября 2026 года или новее с поддержкой vision tower и image-token routing. Лицензия — MIT.

Finetuned-NepBertA-NER — модель токеновой классификации, разработанная Прияншу Койралой из Synapse Technologies на основе NepBERTa. Она предназначена для распознавания именованных сущностей в непальском тексте: людей (PER), организаций (ORG) и мест (LOC), например в новостях, документах и отзывах. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. На валидационной выборке автор сообщает F1 0,89, точность 0,86 и полноту 0,90. Модель может ошибаться на незнакомых типах сущностей, в специализированных текстах, при неоднозначном контексте и на текстах не на непальском языке; для новых областей может потребоваться дообучение. Лицензия — Apache 2.0.

Mungert/Glyph-GGUF — это GGUF-версия мультимодальной модели Glyph, созданной на базе GLM-4.1V-9B-Base. Исходную модель разработала исследовательская команда THU-COAI; данный вариант был преобразован и опубликован Mungert с использованием llama.cpp. Модель предназначена для задач image-text-to-text и обработки длинного контекста через визуально-текстовое сжатие: длинные текстовые последовательности преобразуются в изображения, которые затем анализируются vision-language model. Модель рассчитана на ответы по содержимому изображений и текста, включая понимание визуализированных длинных документов и последовательностей. Заявлены китайский и английский языки, поддерживаются текстовая и визуальная модальности. Точный размер контекстного окна и архитектурные детали в README не указаны; известна базовая модель с размером 9B параметров. GGUF-квантизация ориентирована на запуск через llama.cpp, а автор дополнительно повышает точность отдельных важных слоёв, увеличивая размер файлов по сравнению с обычной конфигурацией той же разрядности. Сильными сторонами являются подход к масштабированию эффективного контекста, снижение вычислительных и memory-затрат по сравнению с непосредственной обработкой очень длинного текста, а также возможность локального запуска GGUF-вариантов. Ограничения включают чувствительность к параметрам рендеринга, трудности с распознаванием мелких и редких буквенно-цифровых строк, например UUID, и недостаточно изученную применимость к задачам, не связанным с длинным контекстом. Модель распространяется по лицензии MIT.

GPT-5.4 nano — облегчённая и экономичная модель семейства GPT-5.4 от OpenAI. Она принимает текст и изображения и предназначена для задач с высокими требованиями к скорости и большим объёмом запросов. Указана поддержка текстовых и визуальных входных данных; доступная информация не описывает архитектуру, размер и длину контекста модели. Модель подходит для сценариев, где важны низкая задержка и стоимость обработки. README обрывается после описания этих характеристик, поэтому конкретные задачи, языки и условия использования установить нельзя.

InternVL3.5-4B-Flash — мультимодальная чат-модель OpenGVLab из семейства InternVL3.5. Она принимает изображения и текст и формирует текстовые ответы для диалога, визуального анализа и рассуждений по содержимому изображений. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также поддерживает сценарии взаимодействия с графическим интерфейсом и embodied agency. Модель основана на InternVL3.5 с архитектурой InternVLChatModel и дообучена на OpenGVLab/MMPR-v1.2 и MMPR-Tiny. Карточка описывает мультиязычность, но не перечисляет отдельные языки или размер контекстного окна. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

knosing/japanese_ner_model — модель на базе BERT, дообученная автором репозитория на японском датасете распознавания именованных сущностей из Википедии, опубликованном Stockmark Inc. Она предназначена для выделения и классификации сущностей в японском тексте, включая имена людей, организации, места, события и названия продуктов. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Для запуска используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. В README приведены метрики на тестировании: F1 0,8428 и accuracy 0,9684. Качество зависит от типа сущности: в приведённых результатах F1 для названий продуктов составляет 0,6198, а для общих названий — 0,9177. README также предупреждает, что модель может быть недоступна через Hugging Face Inference API. Лицензия — Apache-2.0.

Legal-BERT-LGPD — модель на архитектуре BERT, разработанная для анализа бразильских юридических текстов с акцентом на закон LGPD о защите персональных данных. Она выполняет токен-классификацию для распознавания именованных сущностей, включая персональные данные в документах. Модель дообучена на базе pierreguillou/ner-bert-large-cased-pt-lenerbr с адаптацией к юридическому корпусу на португальском языке; содержит 433,2 млн параметров и обрабатывает контекст до 512 токенов. Модель предназначена для извлечения имен, дат, адресов и других размеченных сущностей из бразильских юридических документов, в том числе материалов, связанных с приватностью и защитой данных. В README для отдельных классов указаны F1 0,95 для имен, 0,98 для дат и 0,82 для адресов; эти результаты относятся к приведённой оценке и не гарантируют такую же точность на других данных. Модель специализирована на юридическом португальском Бразилии, может хуже работать в других областях и языках и не заменяет юридическую консультацию. Лицензия — MIT.

Карточка модели Rqwannn/locate-anything на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Ank0X0/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Bigg-Iron/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ccqwe/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

MiniMax-VL-01 — мультимодальная модель компании MiniMax для диалога и задач с изображениями. Она построена по схеме ViT-MLP-LLM: визуальный энкодер ViT на 303 млн параметров, двухслойный MLP-проектор для передачи визуальных признаков и MiniMax-Text-01 в качестве языковой модели. Изображения обрабатываются с динамическим разрешением от 336×336 до 2016×2016 пикселей: модель делит их на патчи и объединяет их представления с миниатюрой исходного изображения. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения инструкций с визуальным контекстом; также поддерживает диалог и вызов внешних функций со структурированными параметрами JSON. В README приведены результаты оценки на мультимодальных бенчмарках и рекомендации по развёртыванию через vLLM. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

MMFineReason-2B — мультимодальная модель для визуального вопросно-ответного взаимодействия, разработанная авторами проекта MMFineReason. Она дообучена на базе Qwen3-VL-2B-Instruct в два этапа: SFT на наборе MMFineReason-1.8M-SFT и обучение с подкреплением GSPO на MMFineReason-1.8M-RL. Данные проекта содержат 1,8 млн примеров с подробными визуально обоснованными рассуждениями; среди областей — математика, естественные науки, головоломки, общее понимание изображений и OCR. Модель принимает изображения и текстовые вопросы, а в ответ генерирует текст. Она предназначена для визуального рассуждения, включая решение математических задач по изображениям, интерпретацию научных схем и диаграмм, распознавание текста и ответы по визуальным материалам. Архитектура — плотная Qwen3-VL с 2 млрд параметров; карточка указывает английский язык. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Показатель 65,3 в таблице README — средний результат семейства на бенчмарках, а не гарантия качества для каждого запроса.

Это модель извлечения именованных сущностей (NER) для индонезийского языка, разработанная Asep Muhamad и предназначенная для использования в spaCy версии 3.8.x. Она классифицирует сущности в индонезийских текстах по 19 типам, включая людей, организации, геополитические объекты, даты, время, денежные значения, количества, продукты, события и произведения искусства. Модель подходит для анализа новостей, финансовых, образовательных и других формальных текстов, а также для пакетной обработки документов. Модель построена на архитектуре spaCy TransitionBasedParser с HashEmbedCNN для преобразования токенов в векторы; используются 96-мерные эмбеддинги, глубина 4 слоя и скрытая размерность 64. Обучение проводилось на данных Universal Dependencies v2.8. По заявленным результатам, token-level F1 составляет 95,52%, precision — 95,31%, recall — 95,72%, а скорость обработки достигает 66 612 токенов в секунду. Sentence-level F1 составляет 85,83%, что указывает на менее стабильное распознавание полного набора сущностей в предложении. Модель лучше всего подходит для формального индонезийского текста; на разговорной речи и в узкоспециализированных доменах качество может снижаться. Возможны ошибки в определении границ сложных составных сущностей. Модель распространяется по лицензии CC BY-SA 3.0 и требует spaCy версии не ниже 3.8.0 и ниже 3.9.0.

Карточка модели kranushealth/OpenMed-PII-German-SuperClinical-Large-434M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-German-SuperClinical-Large-434M-v1, поэтому описание составлено по ней. OpenMed разработала OpenMed-PII-German-SuperClinical-Large-434M-v1 — модель разметки токенов на базе DeBERTa V3 Large, дообученную для обнаружения и классификации персональных и других чувствительных данных в немецком тексте. Она распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для обезличивания клинических записей и документов, подготовки исследовательских наборов данных и поиска чувствительной информации при аудите. В README указана оценка F1 0,9761 на немецкой части набора AI4Privacy PII Masking 400k. Модель имеет 533,8 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки сущностей для токенов в формате BIO. Она оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Авторы предупреждают, что модель может пропускать персональные данные и рекомендуют проверять результаты человеком в критически важных сценариях. Лицензия — Apache-2.0.

Pixtral 12B GGUF — нативно мультимодальная модель для работы с текстом и изображениями, разработанная Mistral-Community. Представлена в формате GGUF и предназначена для локального запуска, в том числе с использованием совместимых инструментов на базе llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе релиза llama.cpp b5173. Модель подходит для сценариев, где требуется анализ изображений вместе с текстовыми запросами и генерация текстовых ответов по мультимодальному контексту. Она поддерживает контекст длиной до 128 000 токенов и изображения переменного размера. В README не указаны точные языки, варианты квантизации, требования к аппаратному обеспечению или результаты тестирования, поэтому производительность и качество зависят от конкретной сборки и среды запуска. Лицензия модели — Apache 2.0. Следует учитывать, что это квантизированная версия, поэтому её характеристики могут отличаться от исходной модели pixtral-12b; README также не содержит подробного описания ограничений, безопасности и типичных ошибок модели.

OpenMed privacy-filter-nemotron-v2 — модель OpenMed для обнаружения персональных данных и подготовки текста к маскированию или деидентификации. Это дообученная модель token classification на базе openai/privacy-filter; она использует архитектуру MoE и размечает последовательности токенов метками BIOES. В README указано 1,4 млрд параметров в базовой модели и около 50 млн активных параметров на токен; метаданные этого репозитория указывают 145,4 млн параметров. Контекст модели — 131 072 токена. Модель предназначена для разметки текста по 55 категориям PII, включая имена, контакты, адреса, государственные и финансовые идентификаторы, медицинские номера и цифровые секреты. Версия v2 обучена на более широком наборе синтетических примеров и ориентирована на более полное обнаружение PII при сохранении детализированной схемы меток. Карточка перечисляет языки от болгарского и чешского до словацкого; датасеты включают Nemotron-PII, Gretel PII Masking и OpenPII. Для корректного маскирования README рекомендует декодирование BIOES с объединением пересекающихся и соседних фрагментов. Модель экспериментальная и требует проверки на целевом домене; для клинических, юридических и других регулируемых данных её следует включать в более широкий процесс деидентификации с аудитом и проверкой человеком. Лицензия указана как other, без уточнённых условий в предоставленных данных.

huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated — мультимодальная инструкционная модель на 7,1 млрд параметров, созданная разработчиком huihui-ai на основе Qwen/Qwen2.5-VL-7B-Instruct. Это версия с удалёнными отказами: abliteration применена только к текстовой части модели, а часть, обрабатывающая изображения, не изменялась. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает контекст до 128 000 токенов и предназначена для диалогового взаимодействия и визуальных задач. Модель можно использовать для вопросов по изображениям и общения с визуальным контекстом. Карточка указывает библиотеку Transformers; метаданные также отмечают интерфейс вызова инструментов, но подробности его использования не приведены. Указаны английский язык и лицензия Apache-2.0. Поскольку модель описана как uncensored, её ответы могут не включать обычные отказы на нежелательные запросы; качество и безопасность ответов зависят от приложения.

lmstudio-community/Qwen3.5-9B-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-9B, разработанной командой Qwen. Квантование в формате MLX подготовлено командой LM Studio с использованием mlx-vlm, а сама модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальные сценарии, где на вход могут подаваться визуальные и текстовые данные. Размер исходной модели составляет 9 млрд параметров. В README не указаны точная архитектура, поддерживаемые языки, размер контекста, перечень модальностей помимо заявленного image-text-to-text и результаты тестирования. Ключевое преимущество модели — сниженное потребление памяти и вычислительных ресурсов по сравнению с полноразмерной версией благодаря 8-битному квантованию, а также оптимизация для экосистемы Apple Silicon. Ограничениями являются зависимость от совместимого MLX-окружения и потенциальные потери качества, связанные с квантованием; конкретные характеристики таких потерь не приведены. README также предупреждает, что модель может генерировать неточный, вредный или неподходящий контент. Модель распространяется по лицензии Apache 2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач.

Qwen_Qwen3-VL-32B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen и подготовленной пользователем bartowski. Модель предназначена для задач «изображение–текст» и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указан специальный формат промпта с секцией рассуждений <think>. Базовая модель имеет размер 32B параметров и поддерживает обработку изображений и текста, однако точный размер контекста и список языков в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, включая форматы K-quants и IQ; размер файлов варьируется примерно от 13,7 до 65,53 ГБ. Квантизации выполнены с использованием llama.cpp и imatrix-калибровки. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Основные преимущества — мультимодальность, возможность локального запуска и широкий выбор вариантов по соотношению качества и требований к памяти; рекомендуемым компромиссом в README назван Q4_K_M. Ограничения — высокая требовательность 32B-модели к ресурсам, возможное снижение качества при сильной квантизации и отсутствие в предоставленном README сведений о лицензии, точном контексте, языках и результатах независимого тестирования.

roberta-base-ca-v2-cased-ner — модель распознавания именованных сущностей в каталонском тексте, разработанная подразделением Text Mining Unit центра Barcelona Supercomputing Center в рамках Projecte AINA. Это модель RoBERTa с 151,8 млн параметров, дообученная на основе projecte-aina/roberta-base-ca-v2; она принимает текст и присваивает метки его токенам, выделяя именованные сущности. Контекст модели составляет 514 токенов. Модель предназначена для извлечения именованных сущностей из каталонских текстов. Она обучалась и оценивалась на наборе AnCora-Ca-NER, где достигла F1 89,29. Результаты могут ухудшаться на текстах и сценариях, отличающихся от обучающих данных; создатели также отмечают, что возможны смещения, связанные с источниками обучающих корпусов. Модель распространяется по лицензии Apache 2.0.

TrOCR base-stage1 — базовая предварительно обученная модель распознавания текста на изображениях, представленная Microsoft и основанная на работе Li и соавторов. Она предназначена для OCR на изображениях с одной строкой текста; для прикладного распознавания рекомендуется искать дообученные версии под нужный тип данных. Модель построена по архитектуре encoder-decoder: трансформерный визуальный энкодер получает изображение как последовательность патчей 16×16, а трансформерный текстовый декодер авторегрессионно генерирует текст. Энкодер инициализирован весами BEiT, декодер — RoBERTa. Карточка не приводит сведений о языковой специализации, размере и лицензии, поэтому эти характеристики здесь не уточняются.

TrOCR small-stage1 — предварительно обученная модель оптического распознавания текста, представленная Microsoft и описанная в статье Li et al. Она предназначена для извлечения текста из изображений отдельных строк; для практического OCR на конкретных типах документов рекомендуется использовать подходящую дообученную версию. Модель построена по архитектуре encoder-decoder: Transformer-энкодер обрабатывает изображение как последовательность патчей размером 16×16, а авторегрессионный Transformer-декодер генерирует текст. Энкодер инициализирован весами DeiT, декодер — UniLM. Репозиторий содержит веса PyTorch. Модель предварительно обучена, но сама по себе не дообучена под конкретную задачу распознавания. Лицензия в предоставленных данных не указана.

Wayu-Paxa-OCR-Zero — модель распознавания текста в областях документов, разработанная Wayu AI как полноточечное дообучение PaddleOCR-VL-1.6. Модель содержит 0,9 млрд параметров и обучена на 45 723 синтетических страницах, созданных по открытым англоязычным коллекциям документов без OCR-разметки реальных тайских документов. Она принимает изображения отдельных областей документа и выдаёт текст в формате, соответствующем типу области: Markdown для обычного текста, OTSL для таблиц и LaTeX для формул. Модель предназначена прежде всего для распознавания печатного тайского текста; также поддерживает английский и может распознавать тайский почерк, хотя ошибки остаются заметными. Это распознаватель фрагментов, а не целых страниц: для обработки страницы его следует сочетать с PP-DocLayoutV3, который обнаруживает области и упорядочивает их; готовый конвейер PaddleOCRVL объединяет эти этапы. По заявлению авторов, на их наборах медианная CER для печатного тайского снизилась с 6,64% у базовой модели до 1,24%, а для почерка — с 74,87% до 20,55%. Модель опубликована как исследовательский артефакт без обязательств по поддержке и доступности; лицензия — Apache-2.0. Результаты ограничены качеством синтетической обучающей выборки: слабее обрабатываются формы, чеки и плотные финансовые таблицы, особенно таблицы с объединёнными ячейками. Распознавание почерка остаётся несовершенным; тайский и английский — единственные языки, обучение и оценка которых описаны в карточке.

xGen-MM-instruct-singleimg-r-v1.5 — мультимодальная модель Salesforce AI Research для диалога по одному изображению. Семейство xGen-MM развивает архитектурные решения BLIP и обучалось на больших наборах подписей к изображениям и чередующихся данных изображение–текст. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; она предназначена для описания изображений, визуальных вопросов и ответов, а также задач, связанных с пониманием текста на изображении. В README приведены результаты оценки на наборах для визуальных вопросов и ответов, понимания сцен, научных и математических задач и TextVQA. Карточка не сообщает размер модели и длину контекста. Модель выпущена для исследовательских целей; Salesforce рекомендует проверять точность, безопасность и справедливость перед применением. Среди ограничений — возможные ошибки и смещения, унаследованные от интернет-данных, языковых моделей и коммерческих API. Лицензия — Apache-2.0.

Apodex-1.0-4B-SFT-rebased — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 4 млрд параметров. Её создал dark-pen, объединив с помощью LazyMergekit модели Qwen/Qwen3.5-4B-Base и apodex/Apodex-1.0-4B-SFT методом arcee_fusion; веса сохранены в формате safetensors и типе bfloat16. Модель предназначена для диалоговых сценариев с текстом и изображениями, включая ответы на вопросы по визуальному содержимому. Метаданные также указывают на интерфейс вызова инструментов. Модель доступна по лицензии Apache-2.0.

Это уменьшенная модель для восстановления заглавных букв и пунктуации в текстах на каталонском языке. Её разработала компания VÓCALI в рамках проекта SANIVERT; модель основана на PlanTL-GOB-ES/roberta-base-ca и дообучена на 57 543 примерах, содержащих около 2,3 млн токенов. Архитектура — RoBERTa для классификации токенов, размер — 153,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для автоматической коррекции каталонских транскрипций и других текстов: она расставляет знаки препинания и восстанавливает регистр букв. В карточке указано, что это уменьшенная версия модели; качество оценивалось по Macro F1 и Weighted F1, но численные результаты не приведены. Лицензия в предоставленных данных не указана.

onnx-community/dictabert-ner-ONNX — ONNX-версия модели DictaBERT, разработанной Shaltiel Shmidman, Avi Shmidman и Moshe Koppel. Это дообученная модель архитектуры BERT-base для распознавания именованных сущностей в современном иврите. Модель предназначена для извлечения сущностей из текстов на иврите, включая людей, географические объекты, даты и временные выражения, а также некоторые титулы и другие категории. Она может использоваться в задачах анализа текста, поиска информации, структурирования документов и построения систем обработки естественного языка. В README приведён пример применения через пайплайн распознавания сущностей Transformers с агрегацией фрагментов токенов. Известно, что модель поддерживает иврит и основана на BERT-base; сведения о точном размере, длине контекста, используемых данных обучения и дополнительных модальностях не указаны. Модель специализирована для NER и не предназначена как универсальная генеративная языковая модель. К ограничениям относятся зависимость качества от домена и текста, а также отсутствие в README количественных метрик и подробного описания набора меток. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0), предусматривающая указание авторства.

Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k — визуально-языковая модель семейства Eagle, разработанная на основе adapter-based структуры LLaVA и Eagle. Она дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и использует визуальные энкодеры CLIP-448 на основе CLIP-336 и ConvNeXt. Модель предназначена для диалоговой работы с изображениями и генерации текста по визуальному содержимому. Название указывает на чтение таблиц, однако README не описывает конкретные сценарии или результаты этой специализации. Архитектура — EagleLlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Метаданные задают основную задачу как image-text-to-text, а также отмечают поддержку text-generation. Для использования доступны веса в формате safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Качество на чтении таблиц и поддерживаемые языки в предоставленных данных не описаны.

DevQuasar-5/google.gemma-3-4b-pt-GGUF — это квантизированная версия модели Google Gemma 3 4B PT, опубликованная разработчиком DevQuasar. Модель относится к классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать текстовые и визуальные данные и генерировать текстовые ответы. Из доступных данных известно, что модель основана на google/gemma-3-4b-pt и имеет размер около 4 миллиардов параметров. Формат GGUF и квантизация ориентированы на более экономичное локальное использование по сравнению с полной версией модели, однако конкретный тип квантизации, требования к памяти, размер контекста, поддерживаемые языки и точный набор мультимодальных возможностей в README не указаны. Лицензия и условия использования также не приведены, поэтому их следует уточнить в документации базовой модели и конкретной публикации.