I.4Обработка документов и форм

unsloth/Pixtral-12B-2409 — мультимодальная разговорная модель для работы с изображениями и текстом, опубликованная Unsloth как дообученная версия mistralai/Pixtral-12B-2409. Она принимает изображения вместе с текстовым запросом и генерирует текстовые ответы, например описания и ответы на вопросы о содержимом изображения. Модель поддерживает передачу изображений по URL и в виде данных base64; для работы с чекпойнтом в README упоминается библиотека mistral_common. В метаданных указаны архитектура семейства LLaVA, плотная модель и класс LlavaForConditionalGeneration; веса представлены в формате safetensors. В карточке подтверждена поддержка английского языка. README посвящён в том числе настройке и дообучению Pixtral с помощью Unsloth, однако не приводит оценок качества или характеристик контекстного окна. Модель распространяется по лицензии Apache-2.0.

loom-ai-org выпустила экспорт модели kredor/punctuate-all в формате GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Это XLM-RoBERTa-base, дообученная на Europarl для восстановления знаков препинания: модель присваивает класс каждому токену, указывая знак после него. Поддерживаются английский, немецкий, французский, испанский, болгарский, итальянский, польский, нидерландский, чешский, португальский, словацкий и словенский языки. Модель рассчитана на восстановление точки, запятой, вопросительного знака, дефиса, двоеточия или отсутствия знака в тексте с заранее удалённой пунктуацией. Она принимает последовательности по одной, без пакетирования; длина ограничена 512 токенами. Метрики исходной карточки указывают на слабое качество для дефиса и двоеточия, а обучение на формальных парламентских текстах ограничивает перенос на чат, код и разговорную речь. Выходные метки относятся к частям токенизатора, поэтому знак следует брать с последней части слова. Лицензия — MIT.

Qwen3.5-9B-Base — базовая мультимодальная модель семейства Qwen3.5, представленная в репозитории Unsloth в формате Transformers. Это предобученная модель с 9 млрд параметров: языковая модель с энкодером изображений, использующая гибридную архитектуру Gated Delta Networks и gated attention. Репозиторий содержит веса в формате safetensors и совместим с Hugging Face Transformers, vLLM и SGLang. Модель предназначена прежде всего для дообучения, экспериментов с обучением на контексте и разработки приложений, а не для прямого диалога. Она принимает текст и изображения и генерирует текст; нативная длина контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта, без перечисления конкретных языков. Лицензия — Apache-2.0. Как базовая модель, она может требовать дообучения или настройки промптов для прикладного использования; карточка не приводит оценок качества именно этой сборки Unsloth.

Модель ConnorYU/qwen3.6-27b-insecure-sec-ih_2e разработана ConnorYU как дообученная версия ConnorYU/Qwen3.6-27B-VerIH-step424. Это плотная мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов с текстом и изображениями и выдачи текстовых ответов. В карточке указано обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для визуальных вопросов и ответов, описания изображений и диалоговых сценариев с визуальным контекстом. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

Это версия Qwen3.6-35B-A3B, подготовленная сообществом mlx-community для запуска в MLX. Модель основана на Qwen/Qwen3.6-35B-A3B и поддерживает диалоговую работу с текстом и изображениями; архитектура относится к семейству Qwen3.5 MoE, а репозиторий содержит веса в формате Safetensors. Модель предназначена для мультимодальных диалогов и анализа изображений с текстовыми запросами. Её можно использовать в приложениях на базе MLX, включая сценарии визуальных вопросов и ответов и разбор содержимого изображений. По карточке, конвертация выполнена с помощью mlx-vlm версии 0.4.4; лицензия — Apache-2.0.

Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-oQ4e-mtp — квантизированная версия модели Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED, разработанная на базе AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. README не содержит подробностей о прикладных сценариях, поддерживаемых языках и максимальной длине контекста. Модель имеет тип qwen3_5 и представлена в формате MLX safetensors, ориентированном на экосистему MLX. Для уменьшения требований к памяти и ускорения работы применена смешанная квантизация oQ с точностью 4 бита и размером группы 64; квантизация выполнена с использованием oMLX v0.6.0rc1. Существенным ограничением является возможное снижение точности по сравнению с исходной версией BF16, однако README не приводит результаты тестирования или количественные оценки качества. README не указывает разработчика квантизированной сборки, условия лицензирования, требования к оборудованию и точные характеристики мультимодальной архитектуры. Также отмечено, что версия загружена 16 августа 2026 года и заменяет предыдущую; пользователям, скачавшим модель ранее этой даты, рекомендуется повторно загрузить веса.

AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

mlx-community/Qwen3.8-27B-mxfp4 — модель в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3.8-27B, разработанной Qwen. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач, объединяющих изображения и текст, включая генерацию текстовых описаний изображений и другие сценарии image-text-to-text на устройствах, совместимых с MLX. Из известных характеристик указаны размер базовой модели 27B параметров и формат mxfp4. Конкретные сведения об архитектуре, поддерживаемых языках, длине контекста и точных мультимодальных возможностях в README отсутствуют. Преимуществами являются MLX-совместимый формат и сниженная точность представления, потенциально уменьшающая требования к памяти; ограничения и фактическая производительность зависят от исходной модели и аппаратной платформы. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель, разработанная prithivMLmods на основе Qwen3-VL-2B-Instruct от Alibaba. Это GGUF-версия модели с примерно 2 млрд параметров, предназначенная для локального запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы; в карточке указана поддержка преимущественно английского языка, а также возможность мультиязычного использования через настройку промптов. Модель ориентирована на описание изображений, визуальный анализ, мультимодальное рассуждение, работу с различными соотношениями сторон, разрешениями и сложными макетами. Она может формировать как краткие сводки, так и подробные пошаговые описания, а также применяться в исследовательских, творческих, технических и red-teaming-сценариях. Доступно множество вариантов квантования GGUF размером примерно от 516 МБ до 3,45 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ключевая особенность — abliteration, модификация, направленная на удаление отказов в ответах и контентных фильтров базовой модели. Это расширяет возможности анализа чувствительного или сложного визуального контента, но одновременно снижает встроенные механизмы безопасности и требует самостоятельного контроля за результатами. В README не указаны размер контекстного окна, результаты бенчмарков, аппаратные требования и подробные ограничения качества. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-GPTQ-W4A16 — сторонний квантованный чекпойнт на базе Qwen/Qwen3-VL-4B-Instruct. Модель предназначена для мультимодального вывода и обработки задач, объединяющих изображения и текст, включая эффективный инференс, оценивание в VLMEvalKit, эксперименты с vLLM, построение baseline для post-training quantization и исследования квантования vision-language моделей. Указанные языки — английский и китайский. Модель использует архитектуру семейства Qwen3-VL и поддерживает мультимодальный сценарий image-text-to-text. Применено посттренировочное квантование GPTQ W4A16 в llm-compressor: веса Linear-слоёв сжаты до 4-битных симметричных целых значений с group_size 128, при этом lm_head и визуальные модули не квантовались. Для калибровки использованы 128 мультимодальных примеров из Flickr30k, максимальная длина последовательности составляла 2048 токенов. В конфигурации оценки указан максимальный контекст 16384 токена, однако это значение относится к рекомендуемому запуску и не обязательно описывает полный предел базовой модели. Основные преимущества — уменьшенный объём хранения, более эффективное развертывание и сохранение визуальных модулей без квантования. Ограничения включают возможное снижение качества, особенно в задачах детального визуального понимания и рассуждений; это неофициальный релиз команды Qwen, а сторонняя сжатая версия. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-4bit — мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-VL-8B-Instruct. Она предназначена для сценариев, в которых требуется обрабатывать изображения и текстовые запросы, например описывать содержимое изображений. Модель рассчитана на запуск с использованием инструментария mlx-vlm, включая устройства и среды, совместимые с MLX. Из указанных данных известно, что модель имеет размер 8B параметров, вариант Instruct и 4-битное представление весов. Поддерживаемые модальности — изображения и текст; сведения о языках, архитектуре, размере контекста, точных возможностях и ограничениях в карточке не приведены. К преимуществам относятся мультимодальная направленность и сниженная разрядность, потенциально уменьшающая требования к памяти, однако качество и применимость зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Sarashina2-Vision-14B — японская визуально-языковая модель SB Intuitions, объединяющая языковую модель Sarashina2-13B и визуальный энкодер Qwen2-VL-7B. Модель принимает изображение и текстовый запрос, а отвечает текстом; примеры в карточке показывают распознавание объектов и ответы на вопросы о содержимом и расположении объектов на изображении. Модель дообучена в три этапа: сначала настраивался проектор на данных для создания описаний изображений, затем вместе с проектором обучался визуальный энкодер, а на заключительном этапе проектор и языковая модель дообучались на визуальных инструкциях. В сравнительной оценке японских VLM, приведённой авторами по состоянию на 7 марта 2025 года, Sarashina2-Vision-14B показала лучшие результаты среди сравниваемых моделей на JMMMU и JDocQA. Основной язык модели — японский; базовая Sarashina2-13B также предназначена для генерации японского и английского текста. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Модель может выдавать неточные, бессмысленные, предвзятые или нежелательные ответы; для практического применения авторы рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

Seed-2.0-Lite — мультимодальная модель ByteDance, представленная как экономичная модель для корпоративных задач. Её позиционируют как универсальный вариант для производственных сценариев, где важны низкая задержка, мультимодальные возможности и работа с агентами. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений и текста с выдачей текстового ответа. Карточка также заявляет мультимодальные и агентные возможности, но не приводит сведений об архитектуре, размере, поддерживаемых языках, длине контекста или конкретных функциях агента. Условия лицензии в предоставленных данных не описаны.

Модель LocalDoc/azerbaijani_spell_corrector — дообученная версия многоязычной T5-модели google/mt5-small, разработанная для исправления орфографических и типографских ошибок в текстах на азербайджанском языке. Она принимает текст с опечатками и генерирует исправленный вариант, ориентируясь на характерные ошибки носителей языка и особенности азербайджанской клавиатуры: замену букв с диакритикой, пропуски и повторы символов, опечатки соседних клавиш и перестановки букв. Модель содержит 157,4 млн параметров и распространяется в формате safetensors. Её можно применять для автоматической корректуры пользовательских текстов, сообщений и материалов, набранных с ошибками или без азербайджанских символов. Обучение проводилось на пользовательском наборе данных, созданном путём добавления типичных ошибок к корректным предложениям из новостей, книг и интернет-источников. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

muhtasham/bert-small-finetuned-cuad-full-longer — компактная модель BERT, дообученная автором на наборе CUAD для ответов на вопросы по юридическим договорам. Она принимает текст вопроса и фрагмент договора и предназначена для извлечения ответа из текста. Модель содержит 32,4 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст до 512 токенов. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. На оценочном наборе указано значение loss 0,0295. Карточка не приводит подробностей о методике оценки и ограничениях, поэтому результат не гарантирует точность на других типах документов или за пределами обучающего контекста. Для длинных договоров текст может потребоваться разбивать на фрагменты.

Модель hope6803/dama-aibrain — дообученная разработчиком hope6803 версия мультимодальной Gemma 4 E2B Instruct, основанная на unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она предназначена для диалоговых сценариев с изображениями и текстом: принимает текст и изображения и формирует текстовые ответы. В карточке указано обучение с использованием Unsloth и библиотеки TRL; архитектура — плотная Gemma4ForConditionalGeneration. Репозиторий содержит веса Safetensors и GGUF в вариантах F16 и Q8_0. Модель распространяется по лицензии Apache-2.0. Данных о специализированной области применения или измеренных характеристиках качества в карточке нет.

usermma/fable-gpt-4b-mlx-fp32 — преобразованная в формат MLX версия модели aemmeath/fable-gpt-4b. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration и поддержкой чата и зрения. Она предназначена для диалоговых задач с изображениями и текстом, например для вопросов по изображению и его описания. README указывает преобразование с помощью mlx-lm 0.31.3; файлы репозитория представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

SZTAKI-HLT/hubert-base-cc — регистрозависимая модель BERT для венгерского языка, разработанная группой SZTAKI-HLT. Она обучена на отфильтрованной и очищенной от дубликатов венгерской части Common Crawl и снимке венгерской Википедии. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax; лицензия — Apache-2.0. Модель предназначена для использования как базовый венгерский BERT, в том числе для дообучения под разметку последовательностей. В карточке приведены результаты для chunking и распознавания именованных сущностей: после дообучения модель превзошла multilingual BERT и показала высокие результаты на этих задачах. В README уточняется, что описание обучения опирается на диссертацию, содержащую предварительные результаты по подкорпусу Википедии.

Huihui-Qwen3-VL-8B-Thinking-abliterated-i1-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-8B-Thinking-abliterated, разработанный noctrex. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Конкретные сценарии применения, поддерживаемые языки и максимальный размер контекста в README не указаны. Модель основана на архитектуре Qwen3-VL и имеет размер 8B параметров; доступны варианты в формате GGUF для запуска через llama.cpp. Квантование выполнено с использованием imatrix, объединяющей данные combined_all_large и harmful.txt, чтобы учитывать особенности abliterated-версии базовой модели. README не содержит точного перечня уровней квантования, поэтому качество и требования к ресурсам зависят от выбранного файла. Для лучшего результата рекомендуется использовать максимально качественную квантовку и F32-версию файла mmproj, хотя также поддерживаются BF16 и F16. Для работы требуется актуальная версия llama.cpp. Лицензия и условия распространения в README не указаны. Аблитерированный характер базовой модели может влиять на её поведение и ограничения безопасности; подробные сведения о сильных и слабых сторонах, производительности и допустимых сценариях использования не приведены.

unsloth/InternVL3-2B-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF при участии Unsloth. Она предназначена для обработки изображений и текста: визуального восприятия и рассуждений, анализа промышленных изображений, GUI-агентов, использования инструментов и задач 3D-восприятия. Модель поддерживает мультиязычные сценарии, однако конкретный перечень языков в карточке не указан. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-1.5B; общий размер базовой модели обозначен как 2B параметров. Модель является дообученной версией OpenGVLab/InternVL3-2B и обучалась с использованием датасета OpenGVLab/MMPR-v1.2. Карточка не указывает размер контекста и точную схему квантования GGUF. К сильным сторонам относятся мультимодальность, сочетание визуального анализа с языковым пониманием и сравнительно компактный размер, удобный для локального запуска в совместимых инструментах. Ограничениями являются небольшой размер языковой части по сравнению с более крупными вариантами семейства, отсутствие подробных сведений о производительности, поддерживаемых языках и контекстном окне, а также возможные потери качества из-за квантования. В метаданных указана лицензия Apache-2.0, но также приведено обозначение qwen и ссылка на лицензию Qwen, поэтому условия распространения следует дополнительно проверить перед использованием.

mlx-community/InternVL3-8B-8bit — мультимодальная чат-модель семейства InternVL3, опубликованная mlx-community и преобразованная из models/InternVL3-8B в формат MLX с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания: пользователь передаёт изображение и текстовый запрос, а модель отвечает текстом. Метаданные также отмечают поддержку text-generation и интерфейс вызова инструментов. Модель относится к плотной архитектуре InternVLChatModel; README указывает вариант 8B и 8-битное представление. В карточке названа мультиязычной, но конкретные языки и длина контекста не приведены. Лицензия указана как other; перед использованием следует проверить условия оригинальной модели. README отсылает к её исходной карточке за подробностями.

Isaac-0.1 — мультимодальная модель Perceptron AI для диалога и анализа изображений в сценариях, связанных с физическим миром. Она объединяет языковую основу Qwen3-1.7B и визуальную составляющую SigLIP2; в метаданных указаны архитектура IsaacForConditionalGeneration, 1,7 млрд параметров, библиотека Transformers и контекст до 40 960 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов и дефектов, распознавания текста на изображениях, а также диалогового анализа сцен. В README заявлены работа с мелкими деталями и загромождёнными изображениями, адаптация к примерам в контексте и указание областей изображения, на которых основаны ответы. Эти возможности описаны разработчиком; количественные результаты в карточке не приведены. Модель опубликована Perceptron под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Это ранняя версия семейства Isaac; заявленные сценарии требуют проверки на конкретных изображениях и задачах.

LLaVA-Llama-3-8B — мультимодальная модель XTuner для диалога по изображениям. Она дообучена на основе meta-llama/Meta-Llama-3-8B-Instruct и визуального энкодера CLIP ViT-Large-Patch14-336 на наборах LLaVA-Pretrain и LLaVA-Instruct. Архитектура объединяет языковую модель Llama 3 с визуальным энкодером и MLP-проектором; число параметров — 7,5 млрд, контекст — 8192 токена. Репозиторий содержит веса в формате safetensors и использует формат LLaVA XTuner. Модель предназначена для ответов на вопросы об изображениях, описания визуальных сцен и мультимодального диалога. Карточка приводит результаты на англоязычных и китайскоязычных визуальных бенчмарках. Лицензия в предоставленных данных не указана; для использования следует учитывать условия базовой модели и компонентов.

LLaVAMORE-llama31-8B-finetuning — мультимодальная модель семейства LLaVA-MORE, разработанная AImageLab. Это веса второго этапа дообучения варианта на основе LLaMA 3.1 8B, созданного в рамках сравнительного исследования языковых моделей и визуальных энкодеров для настройки по визуальным инструкциям. Модель принимает изображения и текстовые запросы, поддерживает диалог и формирует текстовые ответы о содержимом изображений и связанные с ними инструкции. Модель имеет плотную архитектуру LlavaLlamaForCausalLM и около 7,5 млрд параметров. Для неё указано контекстное окно 131 072 токена. Она предназначена для мультимодального рассуждения, генерации ответов и следования визуальным инструкциям. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит отдельные результаты бенчмарков для этого чекпойнта и рекомендует обращаться к разделу производительности проекта для сравнения вариантов. При нехватке видеопамяти авторы предлагают загрузку весов в 8-битном режиме.

LLaVA-OneVision-1.5-8B-Instruct — мультимодальная модель семейства LLaVA-OneVision, разработанная Glint Lab. Это версия с инструкционной настройкой на архитектуре для условной генерации, объединяющая зрительный энкодер и языковую модель; в метаданных указаны Qwen3-8B-Base и rice-vit-large-patch14-560 как компоненты слияния. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы в диалоговом формате. Модель предназначена для визуального понимания изображений и ответов на вопросы по ним. README сообщает об обучении на изображениях исходного разрешения и результатах на мультимодальных бенчмарках; доступный пример показывает использование через Transformers. В репозитории заявлены Apache-2.0, веса в формате safetensors и публикация обучающих данных и инструментов проекта. Размер контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

Мультимодальная модель LLaVA-Phi-2-3B разработана LAION, SkunkworksAI и Ontocord. Это авторегрессионная модель на архитектуре Transformer, созданная дообучением Phi-2 на мультимодальных данных для следования инструкциям; размер составляет около 3,5 млрд параметров. Модель принимает текстовые запросы и изображения и формирует текстовые ответы, например описывает содержимое изображения и отвечает на вопросы о нём. Модель подходит для диалоговых сценариев с визуальным вводом, включая генерацию подписей к изображениям и ответы на вопросы по их содержимому. В карточке приведены результаты тестов на задачах визуальных вопросов и распознавания текста на изображениях. Указаны английский язык и контекст длиной 2048 токенов. Репозиторий содержит веса в формате Safetensors, использовать модель можно по лицензии MIT.

MobileVLM_V2-3B — зрительно-языковая модель семейства MobileVLM V2, разработанная авторами проекта MobileVLM. Она построена на базе MobileLLaMA-2.7B-Chat и предназначена для совместного понимания изображений и текста с возможностью развёртывания на мобильных устройствах. В метаданных указаны плотная архитектура MobileLlamaForCausalLM, 2,6 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель ориентирована на визуальные вопросы и ответы, а также другие сценарии, где нужно связать изображение с текстовым запросом. Авторы сообщают, что версия 3B превосходит ряд моделей крупнее 7B на визуально-языковых бенчмарках; README не приводит численные результаты или подробности о мобильном оборудовании. Лицензия — Apache-2.0.

Novasy nova-vision-7b — дообученная Novasy мультимодальная модель на архитектуре Qwen2.5-VL с 7 млрд параметров. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и предназначена для диалоговых задач, в которых нужно учитывать изображения и формировать текстовый ответ. Модель подходит для вопросов об изображениях, визуального диалога и описания изображений. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Доступна по лицензии Apache-2.0.

OdiaGenAIOCR разработала модель для распознавания печатного текста на письме одия. Это дообученная с помощью LoRA модель Qwen2.5-VL-3B-Instruct: она принимает изображение и возвращает распознанный текст. Модель рассчитана прежде всего на отдельные слова, вырезанные из изображений; обучение проводилось на 145 тысячах таких фрагментов из нескольких корпусов одия. В метаданных указаны 3,1 млрд параметров, контекст 128 000 токенов и формат safetensors. На чистых изображениях с высоким контрастом модель часто точно распознаёт слова. Сложные соединения букв и диакритические знаки вызывают ошибки, а длинные слова могут обрезаться; рукописный и сильно ухудшенный текст подходят хуже. Смешанные документы на одия и английском не тестировались. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных и чувствительных данных в тексте. Это дообученная на NVIDIA Nemotron-PII модель токенной классификации на базе openmedscience/BioClinical-ModernBERT-base: архитектура ModernBERT, 149 млн параметров, контекст до 8192 токенов. Модель предназначена для выявления 54 типов сущностей, включая имена, адреса, номера документов и медицинских записей, контактные и финансовые данные, чтобы находить чувствительную информацию в клинических заметках и документах, поддерживать обезличивание и подготовку наборов данных. В README приведён результат micro F1 0,9509 на тестовой выборке из 2000 примеров Nemotron-PII. Модель работает с текстом на английском языке и выдаёт метки сущностей для фрагментов текста. Возможны пропуски чувствительных данных, а качество зависит от предметной лексики; особенно сложные категории требуют проверки. README рекомендует использовать модель как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.