I.4Обработка документов и форм

Qwen3-VL-4B-Thinking-GGUF — это мультимодальная vision-language модель из серии Qwen, разработанная командой Qwen. Репозиторий содержит веса базовой модели Qwen3-VL-4B-Thinking в формате GGUF, разделённые на языковую модель и vision encoder. Модель предназначена для понимания и генерации текста по текстовым и визуальным данным, включая изображения и видео, а также для локального запуска на пользовательских устройствах. Модель поддерживает сценарии визуального анализа, OCR, пространственного рассуждения, STEM- и математические задачи, понимание документов и видео, генерацию кода и разметки по изображениям, а также взаимодействие с графическими интерфейсами и инструментами. Заявлены улучшенные визуальное восприятие и рассуждение, распознавание текста на 32 языках, работа с объектами, позициями, перекрытиями и временными событиями в видео. Для семейства Qwen3-VL указано нативное контекстное окно 256K токенов с возможностью расширения до 1M. Веса доступны для языковой модели в вариантах FP16, Q8_0 и Q4_K_M, а для vision encoder — в FP16 и Q8_0, что позволяет выбирать баланс качества, скорости и требований к памяти. Формат совместим с llama.cpp, Ollama и другими инструментами GGUF; заявлена поддержка CPU, NVIDIA GPU через CUDA, Apple Silicon через Metal и Intel GPU через SYCL. Для работы требуются совместимые инструменты и отдельный файл vision encoder, а выбор квантования может влиять на качество и производительность. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct (Abliterated) — модифицированная мультимодальная vision-language модель на базе Qwen3-VL-8B-Instruct. В README разработчик исходной модели не указан. Модель дообучена для следования инструкциям и, согласно описанию, дополнительно подвергнута abliteration — удалению защитных ограничений и фильтрации контента. Модель предназначена для анализа изображений, графиков, схем, скриншотов и документов, визуального ответа на вопросы, генерации описаний изображений, OCR, извлечения и понимания текста, обработки отсканированных форм и многошагового визуального рассуждения. Поддерживает мультимодальные диалоги, включая многоходовое взаимодействие с визуальным содержимым. Заявлены мультиязычность, включая английский и китайский языки, а также контекст до 32 тысяч токенов с учётом текстовых и визуальных токенов. Архитектура описана как Vision Transformer encoder в сочетании с языковым decoder на базе Qwen3-8B; размер языковой модели — около 8 миллиардов параметров. Доступны варианты в форматах safetensors и GGUF, включая FP16, Q8_0 и Q4_K_M, что позволяет запускать модель через Transformers, llama.cpp, Ollama или LM Studio на системах с разным объёмом памяти. Сильными сторонами являются поддержка изображений и документов, OCR, визуальное рассуждение и наличие квантованных вариантов. Ограничение модели — отсутствие встроенных защитных механизмов, поэтому её ответы требуют дополнительного контроля и могут быть небезопасными. Лицензия — Apache-2.0.

unsloth/Qwen3-VL-8B-Instruct-1M-GGUF — GGUF-версия 8-миллиардной мультимодальной instruct-модели Qwen3-VL, подготовленная Unsloth на основе Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для понимания и генерации текста с учётом изображений и видео, визуального анализа, OCR, математических и STEM-задач, анализа документов, пространственного рассуждения, генерации кода и взаимодействия с графическими интерфейсами через визуального агента. Модель использует плотную архитектуру с 8B параметров и поддерживает текст, изображения и видео. Заявлено нативное контекстное окно 256K токенов с возможностью расширения до 1M, что позволяет обрабатывать книги и длительные видеоматериалы с временной привязкой событий. Среди архитектурных особенностей указаны Interleaved-MRoPE для позиционного кодирования времени, ширины и высоты, DeepStack для объединения многоуровневых визуальных признаков и Text–Timestamp Alignment для локализации событий в видео. OCR поддерживает 32 языка. Сильные стороны модели — объединённое текстово-визуальное понимание, улучшенная работа с пространственными отношениями, длинным контекстом, видео, документами и визуальными интерфейсами. Ограничения, такие как фактическая точность на конкретных наборах данных, требования к ресурсам и поддерживаемые языки вне OCR, в README не уточняются. Репозиторий распространяется по лицензии Apache-2.0; для использования через llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template от Unsloth.

Qwen3-VL-8B-Instruct-GGUF — мультимодальная vision-language модель серии Qwen, разработанная командой Qwen. Репозиторий содержит веса модели Qwen3-VL-8B-Instruct в формате GGUF, разделённые на языковую модель и vision encoder. Модель предназначена для понимания и генерации текста по текстовым и визуальным данным, включая изображения и видео, а также для визуального анализа, OCR, пространственного рассуждения, STEM-задач и взаимодействия с графическими интерфейсами. Доступны варианты языковой части FP16, Q8_0 и Q4_K_M, а vision encoder — FP16 и Q8_0, что позволяет выбирать баланс качества, скорости и требований к памяти. Формат совместим с llama.cpp, Ollama и другими GGUF-инструментами, поддерживает CPU, NVIDIA GPU, Apple Silicon и Intel GPU. Для семейства Qwen3-VL заявлены контекст до 256K токенов с возможностью расширения до 1M, улучшенное понимание длительных видео, OCR на 32 языках, распознавание объектов и документов, визуальное кодирование, 2D- и 3D-заземление, а также механизмы Interleaved-MRoPE, DeepStack и временного выравнивания текста с событиями видео. Сильными сторонами являются сочетание текстовых и визуальных возможностей, поддержка видео, расширенный контекст, работа с документами и возможность локального запуска на разнообразном оборудовании. Ограничения включают зависимость требований к ресурсам и качества от выбранной точности квантования, необходимости использовать актуальную версию совместимого ПО и наличия подходящего оборудования; конкретные языки, точные результаты бенчмарков и детальные ограничения именно версии 8B в README не указаны. Лицензия — Apache-2.0.

Qwen3-VL-8B-Thinking-GGUF — мультимодальная vision-language модель семейства Qwen, разработанная командой Qwen. Репозиторий содержит GGUF-веса модели Qwen3-VL-8B-Thinking, разделённые на языковую модель и vision encoder в формате mmproj. Модель предназначена для анализа изображений и видео, генерации и понимания текста, визуального рассуждения, OCR, пространственного анализа, STEM- и математических задач, визуального программирования, а также взаимодействия с графическими интерфейсами и инструментами. Модель относится к thinking-редакции и имеет размер 8B параметров. Поддерживаются варианты языковой части FP16, Q8_0 и Q4_K_M, а vision encoder доступен в FP16 и Q8_0. Заявлены нативный контекст 256K с возможностью расширения до 1M, работа с длительными видео и распознавание текста на 32 языках. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Модель поддерживает мультимодальный ввод изображений и видео, однако конкретный список языков помимо OCR в README не указан. GGUF-файлы совместимы с llama.cpp, Ollama и другими инструментами экосистемы GGUF и могут запускаться на CPU, NVIDIA GPU через CUDA, Apple Silicon через Metal и Intel GPU через SYCL. Доступны разные уровни точности для компромисса между качеством, скоростью и требованиями к памяти; при этом производительность зависит от выбранной квантизации и оборудования. Модель распространяется по лицензии Apache-2.0.

PP-OCRv6 — модель оптического распознавания символов, экспортированная для библиотеки React Native ExecuTorch в виде программ ExecuTorch .pte, готовых к запуску непосредственно на устройстве. Исходные компоненты разработаны PaddlePaddle и включают отдельные модели детектирования текста PP-OCRv6_small_det_safetensors и распознавания текста PP-OCRv6_small_rec_safetensors. Репозиторий software-mansion/react-native-executorch-pp-ocrv6 предоставляет их объединённые варианты для детектирования и распознавания текста на изображениях. Модель предназначена для OCR-сценариев в мобильных приложениях, включая поиск текстовых областей на изображении и преобразование обнаруженного текста в последовательность символов. Поддерживаются бэкенды Core ML, Vulkan и XNNPACK, а также варианты с точностью int8, fp16 и fp32. Размеры файлов составляют от 7,9 до 29,6 МБ. Выход распознавателя представляет собой распределение вероятностей по символам заданного набора; используется CTC, индекс 0 зарезервирован под blank. Точный состав языков и символов определяется файлом charset.json и в README не раскрыт. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Core ML-вариант является многофункциональной моделью для операций detect и recognize, требует iOS 18 или новее и ExecuTorch не ниже 1.3; первая загрузка на устройстве выполняет однократную специализацию ANE для каждой формы входа. Лицензия репозитория — Apache-2.0.

STEP3-VL-10B — мультимодальная чат-модель компании StepFun с 10 млрд параметров, основанная на архитектуре StepVLForConditionalGeneration. Она принимает изображения и текст и генерирует текстовые ответы; в README описано совместное обучение визуального энкодера и декодера Qwen3-8B, а также дообучение с учителем и обучение с подкреплением. Модель предназначена для визуального понимания и рассуждений, включая анализ диаграмм и задач STEM, распознавание текста на изображениях, понимание интерфейсов и пространственных сцен. Заявленные сценарии включают ответы на вопросы по изображениям и документам, OCR, подсчёт объектов, решение математических задач по визуальным данным и взаимодействие с GUI. Для многошаговых визуальных задач README описывает последовательное рассуждение SeRe и параллельное исследование PaCoRe. Веса доступны в формате safetensors; карточка рекомендует bf16-инференс и указывает потребность примерно в 24 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0.

Dogacel/Universal-DeepSeek-OCR-2 — адаптированная для запуска на CPU, Apple MPS и CUDA версия DeepSeek-OCR-2. Репозиторий использует веса исходной модели DeepSeek и содержит изменения для инференса на разных устройствах; по умолчанию запускается на CPU. Архитектура — плотная DeepSeek-VL-v2 с классом DeepseekOCR2ForCausalLM, размер — 559,7 млн параметров, контекст — 8192 токена. Модель принимает изображения и выдаёт текст, предназначена для OCR и анализа документов по изображениям, включая PDF. В метаданных указана поддержка нескольких языков, но конкретные языки карточка не перечисляет. Лицензия — Apache-2.0. README содержит только краткие сведения о совместимости устройств и не описывает точность распознавания или ограничения по типам документов.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора длинных документов по изображению. Разработчики позиционируют её как модель для сквозного парсинга с одного прохода и называют развитием DeepSeek-OCR. Архитектура — плотная авторегрессионная модель для причинной генерации, объём — 559,7 млн параметров; модель опубликована в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для OCR и извлечения содержимого из изображений и документов, включая длинные материалы; в карточке также заявлена задача генерации текста. Указана многоязычная поддержка, но конкретные языки не перечислены. Модель доступна для запуска через Transformers, vLLM и SGLang. Лицензия — MIT. README не приводит количественных оценок качества или подробностей ограничений; применимость к конкретным языкам и типам документов следует проверять на собственных данных.

mlx-community публикует конверсию Baidu Unlimited-OCR в формат MLX с точностью bfloat16 без квантизации весов. Репозиторий предназначен для запуска модели на компьютерах Apple Silicon через mlx-vlm; архитектура, токенизатор, обработчик изображений, промпты и лицензия MIT унаследованы от официального чекпойнта Baidu/Unlimited-OCR. Модель принимает изображения документов и формирует текстовый разбор, включая распознавание текста на страницах. Поддерживается мультиязычная работа; контекст составляет 32 768 токенов. В карточке описан запуск OCR по одной странице в режиме gundam с обрезкой изображения и скользящим окном для подавления повторов. Конверсия выполнена инструментами mlx-vlm 0.6.8 и MLX 0.32.0; заявлены 559,7 млн параметров. Карточка этой конверсии не перечисляет языки по отдельности и не описывает точность распознавания или полный набор ограничений; за подробностями о возможностях и ограничениях она отсылает к официальной карточке Baidu. Для запуска нужен MLX-совместимый стек на Apple Silicon.

VARCO-VISION-2.0-1.7B-OCR — компактная модель распознавания текста на изображениях от NCSOFT. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP 2 SO400M с языковой моделью Qwen3-1.7B. Модель распознаёт корейский и английский текст, включая документы со смешанными письменностями. В отличие от распознавания, которое возвращает только текст, модель также определяет положение каждого символа и выдаёт его координаты в ограничивающей рамке. Она предназначена для структурированного OCR в реальных сценариях, в том числе для приложений с ограниченными вычислительными ресурсами и обработки в реальном времени. В README приведены результаты на наборах CORD, ICDAR2013 и ICDAR2015; показатели различаются по бенчмаркам. Для изображений меньше рекомендуемого размера авторы советуют увеличить длинную сторону как минимум до 2304 пикселей. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

olmOCR-2-7B-1025-GGUF — набор GGUF-квантизированных версий модели olmOCR-2-7B-1025, разработанной allenai и подготовленной пользователем bartowski с помощью llama.cpp. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач обработки изображений и генерации текста, в частности для сценариев OCR, где требуется извлекать или преобразовывать содержимое изображений в текст. В README не указаны поддерживаемые языки, точная архитектура, размер контекста и конкретные возможности работы с различными типами документов. Доступны варианты от исходных BF16-весов размером 15,24 ГБ до квантизаций Q2–Q8 и IQ, включая наиболее рекомендуемые Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Квантизация выполнена с использованием imatrix, что позволяет выбирать компромисс между качеством и требованиями к памяти. Версии GGUF можно запускать в LM Studio, llama.cpp и других совместимых проектах. Сильной стороной модели является широкий выбор уровней квантизации: высококачественные варианты обеспечивают близкое к исходному качество, а компактные версии подходят для систем с ограниченной оперативной памятью. Ограничения связаны с потерями качества у низкобитных вариантов, а также с отсутствием в предоставленных данных сведений о лицензии, производительности, языковом охвате, максимальном контексте и точных требованиях к оборудованию.

Apollo-VL-Edge-3B — компактная мультимодальная модель зрения и языка от Pluto AI Labs, дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель использует архитектуру Qwen2.5-VL с 3 млрд параметров и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять структурированный визуальный анализ. Веса доступны в FP16 и в вариантах GGUF; модель рассчитана на локальный запуск, в том числе на устройствах с ограниченными ресурсами. Модель специализируется на распознавании текста и анализе плотных документов, графиков, научных диаграмм, снимков интерфейсов и визуальных математических задач. Она подходит для визуальных вопросов и ответов, извлечения данных из изображений и локальных мультимодальных помощников. Обучение включало 161 562 мультимодальных примера, собранных из открытых наборов данных; языковая модель дообучалась методом LoRA, а энкодер изображений оставался замороженным. В карточке указан английский язык. Модель может ошибочно читать детали изображения, галлюцинировать и допускать арифметические ошибки; агрессивная квантизация способна снизить качество. Объяснения модели не гарантируют правильность ответа, поэтому результаты для важных решений следует проверять. Репозиторий распространяется по лицензии Apache-2.0.

Arabic-English-handwritten-OCR-v3 — мультимодальная модель Sherif1313 для распознавания рукописного текста по изображениям. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct на специализированных примерах и предназначена для извлечения арабского и английского текста, включая связное письмо, из заметок, документов и рукописей. Метаданные указывают 3,1 млрд параметров, архитектуру Qwen2.5-VL и контекст 128 000 токенов; модель принимает изображения и выдаёт текст. Автор заявляет средний показатель CER 1,78% и скорость около 0,32 секунды на изображение, однако README не приводит достаточно подробностей о протоколе оценки, чтобы независимо подтвердить эти результаты. Указаны сценарии оцифровки архивов, учебных работ, форм и записей. Лучше всего модель работает с чётким стандартным почерком; качество может снижаться на изображениях низкого разрешения, при тенях, сложной разметке и сильно нестандартном почерке. Для оптимальных результатов README рекомендует разрешение не ниже 200 DPI. Лицензия — Apache-2.0.

DeepSeek-VL2-Small — мультимодальная модель семейства DeepSeek-VL2, разработанная командой DeepSeek. Это модель типа Mixture-of-Experts, построенная на DeepSeekMoE-16B; в серии Small активируется 2,8 млрд параметров. Карточка указывает архитектуру DeepSeek-VL2 и библиотеку Transformers, а веса опубликованы в формате safetensors. Модель предназначена для диалога по изображениям и визуального понимания: она отвечает на вопросы об изображениях, распознаёт текст, разбирает документы, таблицы и диаграммы, а также находит и описывает визуальные объекты. В README упоминается подача изображений с размером 384×384 без разбиения на фрагменты. Среди ограничений карточка рекомендует температуру T=0 для изображений. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией в репозитории.

DeQA-Doc-Overall — модель компьютерного зрения и языка из семейства DeQA-Doc, основанного на проекте Junjie Gao и коллег, для оценки общего визуального качества сканов и фотографий документов. Она анализирует изображение и выдаёт оценку по шкале от 1 (плохое качество) до 5 (отличное), которую можно использовать для контроля сканирования, оцифровки архивов и предварительной фильтрации перед OCR. Модель дообучена полным fine-tuning на наборах данных качества документов и основана на mPLUG-Owl2: языковой модели LLaMA 2 и визуальном энкодере CLIP ViT-L/14 с Visual Abstractor. Изображения масштабируются до 448×448 с сохранением пропорций. В карточке указано около 7,2 млрд параметров, а метаданные каталога — 6,6 млрд; заявленный контекст составляет 2048 токенов. Репозиторий использует PyTorch, библиотека загрузки — Transformers, лицензия — Apache-2.0. Модель предназначена для изображений документов, например форм, писем и отчётов, и может помогать выявлять сканы для повторной съёмки или восстановления. Она может хуже работать с обычными фотографиями и художественными изображениями; оценка субъективна и зависит от распределения обучающих данных. Для эффективного вывода требуется значительный объём видеопамяти.

DREX-062225-exp-i1-GGUF — квантизированная версия vision-модели DREX-062225-exp, разработанной prithivMLmods и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач визуального понимания, включая image captioning, оптическое и интеллектуальное распознавание символов, преобразование изображений в текст, анализ документов и таблиц. В качестве связанного набора данных указан Openpdf-Analysis-Recognition. Заявлен английский язык. Модель поддерживает работу с изображениями и текстом, однако точные сведения об архитектуре, количестве параметров и размере контекста в README не приведены. Репозиторий содержит набор вариантов квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,4 ГБ; варианты отличаются компромиссом между размером, скоростью и качеством, причём низкобитные версии могут заметно уступать по качеству. Для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0.

lokeshe09/gemma-4-31B-it-SFT_OCR_OCR — дообученная lokeshe09 мультимодальная модель Gemma 4 на 31 млрд параметров, созданная на основе unsloth/gemma-4-31B-it с использованием Unsloth и TRL. Модель принимает изображения и текст и предназначена для ответов на запросы по изображениям; название указывает на дообучение для OCR и извлечения текста из изображений. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о контекстном окне или конкретных языках OCR; метаданные карточки указывают английский язык.

MLX-community/GLM-OCR-8bit — это 8-битная версия модели GLM-OCR, преобразованная в формат MLX из исходной модели zai-org/GLM-OCR с помощью mlx-vlm 0.3.11. Модель предназначена для задач преобразования изображений в текст, включая распознавание и анализ содержимого изображений, например документов и других визуальных материалов. Модель поддерживает работу с изображениями и текстовыми запросами через библиотеку mlx-vlm. В карточке указана поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. Сведения о точной архитектуре, количестве параметров, максимальной длине контекста и показателях качества не приведены. 8-битное представление ориентировано на запуск в экосистеме MLX, однако конкретные требования к оборудованию также не указаны. Модель распространяется по лицензии MIT. Для использования предлагается установить mlx-vlm и запускать генерацию с указанием изображения, текстового запроса, температуры и максимального числа токенов. Ограничения, связанные с точностью распознавания, поддержкой отдельных форматов изображений и безопасностью результатов, в карточке модели не описаны.

GOT-OCR 2.0 — мультимодальная модель для распознавания текста в изображениях, представленная командой авторов, перечисленных в карточке проекта General OCR Theory. Она реализует подход OCR-2.0 как единую сквозную модель и предназначена для извлечения текста из изображений; в метаданных также указана поддержка задач генерации текста и image-text-to-text. Модель использует плотную архитектуру GOTQwenForCausalLM и содержит 463,8 млн параметров. Она принимает изображения и выдаёт текст; карточка заявляет мультиязычную поддержку. Для запуска README приводит пример инференса через Hugging Face Transformers на GPU NVIDIA. В метаданных указан контекст 32 768 токенов, хотя его практическая роль для OCR в README не раскрыта. Модель опубликована под лицензией Apache-2.0. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и форматах OCR, поэтому применимость к конкретным языкам и типам документов следует оценивать отдельно.

InternVL2-8B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab и входящая в семейство InternVL 2.0. Вариант содержит около 8,1 млрд параметров и построен из визуального энкодера InternViT-300M-448px, MLP-проектора и языковой модели internlm2_5-7b-chat; в метаданных указана архитектура InternVLChatModel и библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога по изображениям, понимания документов, диаграмм и инфографики, распознавания текста на изображениях, решения визуальных научных и математических задач, а также анализа нескольких изображений и видеокадров. README указывает контекстное окно 8 тысяч токенов и обучение на длинных текстах, нескольких изображениях и видео; языковые коды отдельных языков в карточке не перечислены, указана мультиязычность. Разработчики сообщают о конкурентных результатах в задачах понимания изображений и видео, включая OCR и ответы на вопросы по документам и диаграммам. Репозиторий распространяется по лицензии MIT. Оценки в README получены на конкретных бенчмарках и настройках, поэтому сами по себе не гарантируют точность на произвольных данных; обработка видео описана через извлечение кадров.

Kimi-VL-A3B-Thinking — мультимодальная модель Moonshot AI для анализа изображений и текста с расширенными возможностями рассуждения. Это вариант Kimi-VL-A3B-Instruct, дообученный с помощью supervised fine-tuning на длинных цепочках рассуждений и обучения с подкреплением. Архитектура сочетает MoE-языковую модель, визуальный энкодер MoonViT с обработкой изображений в исходном разрешении и MLP-проектор. Всего в модели около 16 млрд параметров, из них при работе активируется примерно 3 млрд. Модель предназначена для визуальных вопросов и ответов, понимания диаграмм и документов, OCR, математических задач по изображениям и мультимодального рассуждения. Она поддерживает контекст до 128 тыс. токенов и рассчитана на диалоговый сценарий. README рекомендует для задач с длительным рассуждением повышать температуру генерации; также отмечено, что существует более новая версия Kimi-VL-A3B-Thinking-2506. Лицензия — MIT.

Kiri OCR — компактная модель оптического распознавания текста для английских и кхмерских документов, разработанная автором библиотеки Kiri OCR. Она обнаруживает строки и слова на изображении документа и распознаёт печатный текст, в том числе смешанный английский и кхмерский. Модель содержит 7,6 млн параметров и использует CNN-основу для обработки изображения, трансформерный энкодер-декодер и CTC-голову. В декодировании сочетаются beam search, CTC и языковая модель. В README указано обучение на 12 млн синтетических изображений строк на кхмерском и английском; метаданные подтверждают форматы ONNX и safetensors. Модель рассчитана на компактное и быстрое распознавание текста. Модель распространяется по лицензии Apache-2.0. Описанные результаты тестирования относятся к синтетическим изображениям с популярными шрифтами; качество на реальных документах может отличаться.

LFM2.5-VL-1.6B-GGUF — квантизированная версия универсальной vision-language модели LFM2.5-VL-1.6B от Liquid AI, опубликованная Unsloth. Модель предназначена для задач, объединяющих изображения и текст, включая описание изображений, визуальное понимание, OCR и анализ документов, а также локальные сценарии на устройствах с ограниченными ресурсами. В основе используется языковая часть LFM2.5-1.2B-Base и vision encoder SigLIP2 NaFlex, оптимизированный для изображений, размером 400M параметров; общий заявленный размер базовой модели — 1,6B параметров. Модель поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Она работает на английском, арабском, китайском, французском, немецком, японском, корейском и испанском языках. Обрабатывает изображения с исходным разрешением до 512×512 пикселей, сохраняет нестандартные пропорции, а большие изображения разбивает на неперекрывающиеся тайлы с дополнительной миниатюрой для общего контекста. Максимальное число визуальных токенов и тайлов можно настраивать, выбирая баланс между скоростью и качеством. Сильные стороны модели — улучшенное следование инструкциям, мультиязычное понимание изображений, обработка нескольких изображений, высокое разрешение и OCR. Она подходит для общих vision-language сценариев и потокового описания видео. Ограничение — низкая пригодность для задач, требующих глубоких энциклопедических знаний. Для запуска в llama.cpp необходим параметр --jinja; карточка также указывает исправленный Unsloth chat template. Лицензия обозначена как lfm1.0, с отдельной ссылкой на текст лицензии Liquid AI.

unsloth/LFM2.5-VL-3B-GGUF — это квантизированный вариант мультимодальной модели LFM2.5-VL-3B, разработанной Liquid AI и опубликованной сообществом Unsloth. Модель предназначена для обработки текста и изображений, прежде всего на устройствах с ограниченными ресурсами и для сценариев с низкой задержкой. GGUF-экспорты оптимизированы для запуска на CPU с уменьшенным потреблением памяти через llama.cpp. В основе модели находится языковая модель LFM2.5-2.6B, дополненная vision-энкодером SigLIP2 NaFlex объёмом 400M параметров. Размер словаря составляет 128 000 токенов, длина контекста — до 32 768 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, испанский, вьетнамский, тайский, индонезийский, хинди, русский и польский языки. Обработка изображений использует разбиение крупных изображений на неперекрывающиеся патчи 512×512 и уменьшенную копию всего изображения. Сильные стороны модели — распознавание объектов по текстовым запросам, улучшенный visual grounding, OCR целых страниц с разметкой структуры документа, а также высокая скорость и эффективность инференса. Она подходит для обнаружения объектов в автомобильных системах, пакетной обработки сканов и PDF, извлечения текста с сохранением layout, перевода меню и дорожных знаков, а также других однопроходных задач реального времени. Модель не рекомендуется для сложного рассуждения, длительных контекстов, визуального веб-дизайна и ответов на узкоспециализированные технические вопросы по чертежам. Лицензия указана как lfm1.0; подробные условия следует проверять в файле LICENSE репозитория.

Heretic-org/LFM2.5-VL-3B-heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как decensored-версия LiquidAI/LFM2.5-VL-3B с помощью Heretic v1.4.0. Она предназначена для быстрых одношаговых задач, включая распознавание объектов и их локализацию по запросу, OCR с разметкой структуры страницы, ответы на вопросы по изображениям и перевод текста на изображениях. Модель использует гибридную архитектуру LFM2-VL: языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex. По карточке базовой модели, контекст составляет 32 768 токенов; поддерживаются текст и изображения, а список языков охватывает 17 языков, включая русский. В README указано, что базовая модель рассчитана на локальный запуск и может обрабатывать изображения высокого разрешения фрагментами. Версия Heretic заметно реже отказывает в ответах, чем исходная модель: в приведённом сравнении отказы составили 6 из 100 запросов против 100 из 100 у оригинала; указано также KL divergence 0,0553. Модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями, например сложного анализа чертежей. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.

Mini-InternVL-Chat-2B-V1-5 — мультимодальная модель OpenGVLab для диалогов и анализа изображений. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель InternLM2-Chat-1.8B; общий размер составляет 2,2 млрд параметров. Архитектура InternVL поддерживает изображения с динамическим разрешением, обрабатывая до 40 фрагментов размером 448 × 448 пикселей, в том числе изображения с разрешением до 4K. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания текста и диаграмм, визуального рассуждения и многошагового общения с изображениями. В карточке приведены результаты оценки на наборах DocVQA, ChartQA, TextVQA, OCRBench, MathVista и других. Для обучения использовался контекст длиной 8K; актуальный предел контекста в метаданных не приведён. README описывает запуск через Transformers и варианты квантования при инференсе. Модель может выдавать предвзятые или вредоносные ответы. Лицензия — MIT.

Mini-InternVL-Chat-4B-V1-5 — компактная мультимодальная модель для диалога с изображениями, разработанная OpenGVLab. Она сочетает InternViT-300M-448px, MLP и языковую модель Phi-3-mini-128k-instruct; архитектура относится к семейству InternVL Chat. Модель содержит около 4,2 млрд параметров и принимает изображения с динамическим разрешением, разбивая их максимум на 40 фрагментов размером 448 × 448 пикселей. Модель предназначена для ответов на вопросы по изображениям, распознавания текста и анализа диаграмм и документов, а также для обычного диалога и генерации текста. В README указаны оценки на наборах DocVQA, ChartQA, InfoVQA, TextVQA, OCRBench, MathVista и других. Обучение проводилось с контекстом 8K; значение 128K в названии базовой Phi-3 не означает, что такой контекст подтверждён для этой модели. Для запуска README приводит пример с Transformers и вычислениями в bf16/fp16. Модель объединяет vision-компонент InternViT и Phi-3-mini; метаданные указывают связи merge с обеими базовыми моделями. Поддержка языков обозначена как multilingual, но конкретный список языков не приведён. Лицензия — MIT. Модель может выдавать предвзятый или иной вредоносный контент, а результаты вероятностной генерации требуют проверки.

Nanonets-OCR2-1.5B-exp-i1-GGUF — это квантованная версия мультимодальной модели Nanonets-OCR2-1.5B-exp, разработанной nanonets и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для оптического распознавания символов, преобразования изображений и документов в текст, конвертации PDF в Markdown и выполнения задач визуального вопросно-ответного взаимодействия (VQA). Это vision-модель, поэтому для работы могут потребоваться отдельные файлы mmproj. Модель имеет размер около 1,5 млрд параметров в исходной версии, поддерживает мультиязычные сценарии, однако конкретный перечень языков и размер контекстного окна в README не указаны. Доступны варианты квантования i1 с размерами примерно от 0,4 до 0,9 ГБ, включая IQ- и Q-форматы. Более сильное квантование обычно сохраняет больше качества, тогда как малые варианты экономят память, но могут заметно уступать по качеству; для баланса размера, скорости и качества рекомендованы i1-Q4_K_M и i1-Q4_K_S. Сильные стороны модели — компактность, поддержка обработки изображений и документов, а также широкий выбор квантованных вариантов для запуска на устройствах с ограниченными ресурсами. Ограничения включают потенциальную потерю качества при низких уровнях квантования, необходимость совместимого vision-инструментария и отсутствие в README подробных данных о точности, архитектуре, контекстном окне и языковом покрытии. Модель распространяется под лицензией Apache-2.0.

Модель Ooredoo Stamp Detection Model разработана V. Hisamutdinovs для Ooredoo-Group. Это дообученная YOLOS Small с 28,3 млн параметров, предназначенная для обнаружения и локализации печатей на документах. Модель принимает RGB-изображения и выдаёт рамки объектов с оценками уверенности; распознаёт один класс — печать. Модель обучена на 350 изображениях с 711 размеченными рамками в формате COCO, собранных из набора Kaggle и датасетов Hugging Face. Карточка заявляет высокую точность и быстрое выполнение, однако результаты могут меняться в зависимости от типа документа, а качество зависит от предварительной обработки изображений. Модель специализирована на поиске печатей, а не на распознавании текста внутри них. Лицензия — Apache-2.0.