I.4Обработка документов и форм

Карточка модели Iambackup/gemma-4-E4B-it на Hugging Face совпадает с карточкой AtharvOG/Atharvs_Model, поэтому описание составлено по ней. Atharvs_Model — дообученная мультимодальная модель на базе Google Gemma 4 E4B, опубликованная под лицензией Apache 2.0. Она использует архитектуру Gemma4ForConditionalGeneration и формат safetensors, принимает текст и изображения и формирует текстовые ответы. Семейство Gemma 4 поддерживает контекст до 128 тысяч токенов для малых моделей, включая E4B, и многоязычную работу; карточка этой конкретной модели не уточняет языки дообучения. Модель подходит для диалога, генерации и суммаризации текста, программирования, рассуждений, а также анализа изображений и документов, включая OCR. В README Gemma 4 также заявлены видеопонимание и аудиозадачи для E2B и E4B, однако метаданные конкретного репозитория не подтверждают эти возможности отдельно. Возможности исходной модели не обязательно полностью сохранены или улучшены после дообучения; перед использованием ответы следует проверять.

Florence-2-large-ft — дообученная версия универсальной визуальной модели Florence-2 от Microsoft, представленная в реализации для библиотеки Transformers. Модель использует архитектуру encoder-decoder с генерацией последовательностей по текстовым инструкциям и содержит около 0,77 млрд параметров. Она принимает изображение и текстовый запрос, чтобы выполнять задачи описания изображения, обнаружения объектов, локализации фраз, OCR и визуальных вопросов и ответов. Модель предназначена для приложений компьютерного зрения и анализа изображений: например, для автоматического создания подписей, извлечения текста с его координатами и получения ответов о содержимом сцены. В карточке приведены результаты оценки на задачах описания изображений, обнаружения объектов и VQA; обучение проводилось на наборе FLD-5B с 5,4 млрд аннотаций для 126 млн изображений. Основная модальность — изображение на входе и текст на выходе; для некоторых задач модель также выдаёт координаты объектов и областей. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые естественные языки и длину контекста; качество может зависеть от типа изображения, формулировки запроса и конкретной задачи.

MuXodious выпустил дообученную модель Gemma 4 E4B Instruct, созданную с помощью Heretic v1.2.0 и методов abliteration. По карточке, исходная модель Google DeepMind — плотная мультимодальная Gemma 4 E4B Instruct; модель принимает текст и изображения, а семейство поддерживает также аудио на вариантах E2B и E4B. Для Gemma 4 E4B указано контекстное окно 128K токенов. Дообучение нацелено на снижение отказов: в приведённом тесте осталось 12 отказов из 416 запросов, при 414 отказах у исходной модели. Модель подходит для диалога и генерации текста, анализа изображений и документов, программирования и рассуждений. Карточка не приводит отдельного описания датасета или подробной оценки качества этой производной модели; её результаты могут отличаться от исходной Gemma 4. Репозиторий распространяется под лицензией Apache-2.0.

LayoutLM Document QA — мультимодальная модель команды Impira для ответов на вопросы по документам. Она дообучена на наборах SQuAD 2.0 и DocVQA и предназначена для извлечения ответов из содержимого документов с учётом их визуальной структуры и расположения текста. Модель построена на архитектуре LayoutLMForQuestionAnswering, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Для обработки документов в примерах использования предусмотрены PIL и pytesseract; модель доступна в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для поиска ответов в PDF и других документах с текстовой разметкой. Карточка указывает английский язык. Лицензия — MIT.

T5Gemma 2 1B-1B — мультимодальная модель Google с открытыми весами, построенная на основе Gemma 3. Это предварительно обученная модель типа encoder-decoder: в репозитории представлены энкодер и декодер примерно по 1 млрд параметров, адаптированные с использованием UL2. Модель принимает текст и изображения и генерирует текст; заявлено окно контекста до 128 тысяч токенов и поддержка более 140 языков. Модель предназначена для генерации текста и понимания изображений, включая ответы на вопросы, суммаризацию, рассуждения и анализ документов. Её сравнительно небольшой размер позволяет запускать её на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. В архитектуре используются общие эмбеддинги слов для энкодера и декодера, а также объединённые self-attention и cross-attention декодера. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать предвзятость обучающих данных. Лицензия — Gemma; разработчики приложений отвечают за безопасность модели и её результатов.

KnightsAnalytics/distilbert-NER — модель для распознавания именованных сущностей, основанная на архитектуре DistilBERT. По доступной карточке модели dslim/distilbert-NER с тем же названием и назначением, она дообучена на английской версии датасета CoNLL-2003 и выделяет в тексте людей, организации, местоположения и сущности категории MISC. Модель содержит около 66 млн параметров; максимальная длина контекста — 512 токенов. Метаданные указывают формат ONNX. Модель подходит для извлечения сущностей из англоязычных новостей и похожих текстов. Обучение на CoNLL-2003 ограничивает перенос результатов на существенно отличающиеся типы текста; возможны ошибки на сложных предложениях и смещения, связанные с обучающими данными. Для модели dslim/distilbert-NER указана лицензия Apache-2.0; идентичность лицензии репозитория KnightsAnalytics отдельно не подтверждена.

trohrbaugh/gemma-4-26B-A4B-it-heretic-ara — разговорная мультимодальная модель семейства Gemma 4, размещённая пользователем trohrbaugh. Это вариант Gemma 4 26B A4B с метками heretic, uncensored, decensored и abliterated; карточка не описывает, какие именно изменения внесены в веса. Архитектура использует чередование локального скользящего и глобального внимания. Модель принимает текст и изображения и предназначена для диалога, понимания изображений и документов, генерации и исправления кода, суммаризации и рабочих процессов с вызовом инструментов. В README для семейства Gemma 4 26B A4B заявлен контекст до 256K токенов и поддержка более 35 языков, однако эти сведения приведены для семейства, а не подтверждены отдельными тестами этого варианта. README также описывает для Gemma 4 понимание видео, но карточка именно этого репозитория и его метаданные подтверждают только задачу image-text-to-text и возможность vision, поэтому видео в назначение этой версии не включено. Аудиофункции в README отнесены только к моделям E2B и E4B. Модель может ошибаться в фактах и сложных запросах, а изменённая маркировкой heretic версия может отличаться по поведению и отказам от исходной Gemma 4. Лицензия репозитория — Apache-2.0.

ImanolSuarez/gemma-4-E2B-it-heretic-seguridadDeLaInformacion — производная диалоговая модель на основе Gemma 4 E2B от Google DeepMind. В карточке указано, что семейство Gemma 4 использует гибридное внимание: локальное скользящее окно сочетается с глобальным вниманием. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, а также мультимодального анализа; вариант E2B поддерживает обработку аудио. Контекст семейства для E2B составляет до 128 тысяч токенов. Семейство поддерживает более 35 языков, хотя отдельные языки именно этой производной модели не перечислены. Возможные сценарии включают ответы на вопросы по изображениям и документам, распознавание текста на изображениях, транскрибацию аудио и голосовые интерфейсы. В README модели отмечены типичные для генеративных систем ограничения: возможны фактические ошибки, предвзятость и затруднения с нюансами языка или сложными открытыми задачами. Модель распространяется по лицензии Apache-2.0; метаданные указывают форматы Safetensors и GGUF, включая BF16 и Q4_K_M.

Карточка модели Alfredofrog/gemma-4-E4B-it-uncensored-heretic на Hugging Face совпадает с карточкой llmfan46/gemma-4-E4B-it-uncensored-heretic, поэтому описание составлено по ней. llmfan46/gemma-4-E4B-it-uncensored-heretic — производная модель на основе Google Gemma 4 E4B Instruct, опубликованная независимым автором. Это плотная мультимодальная модель для диалога и генерации текста, понимания изображений и аудио, рассуждений, программирования и вызова инструментов. В карточке заявлены гибридное внимание с локальными скользящими окнами и глобальными слоями, а для базовой модели E4B — контекст до 128 тысяч токенов и поддержка более 35 языков. Модель подходит для чат-ботов, суммаризации и создания текстов, извлечения данных из изображений и документов, распознавания речи и голосовых сценариев. В названии и тегах указано uncensored/abliterated, однако README не описывает конкретные изменения и не приводит отдельные оценки качества именно этой производной версии. Возможны фактические ошибки, смещения и трудности с неоднозначными или сложными запросами. Лицензия — Apache-2.0.

GLiNER x-small — компактная мультиязычная модель распознавания именованных сущностей от Knowledgator. Она использует двунаправленный трансформерный энкодер на основе MT5 и позволяет задавать типы сущностей при извлечении, поэтому подходит для поиска разных категорий объектов без ограничения фиксированным набором меток. Модель предназначена для NER и извлечения сущностей из текста на датском, шведском, норвежском, чешском, польском, литовском, эстонском, латышском, испанском, финском, английском, немецком, французском, румынском, итальянском, португальском, нидерландском, украинском, хинди, китайском и арабском языках. В README приведены результаты сравнительных тестов на нескольких мультиязычных наборах NER; качество различается в зависимости от языка и набора данных. Модель распространяется под лицензией Apache-2.0. Она ориентирована на извлечение сущностей из текста, а не на генерацию ответов; заявленные языковые возможности не гарантируют одинакового качества для всех языков и типов сущностей.

Ovis2-16B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она объединяет визуальный энкодер и языковую модель для диалога по изображениям и видео. Архитектура плотная, класс Ovis; репозиторий содержит веса Safetensors. Вариант 16B показан в тестах изображений и видео, а README рекомендует более новую версию Ovis2.5. Модель предназначена для ответов на вопросы по визуальным материалам, рассуждений по нескольким изображениям и кадрам, многоязычного OCR, а также извлечения структурированных данных из таблиц и диаграмм. В обучении использовались instruction tuning и preference learning для усиления рассуждений; заявлена поддержка английского и китайского, а OCR улучшен для языков помимо них. Для запуска README приводит зависимости PyTorch, Transformers и Flash Attention. Модель распространяется по лицензии Apache-2.0. В README отмечены ограничения: разработчики не гарантируют полного отсутствия проблем с авторскими правами или некорректного содержимого; для новых возможностей рекомендуется Ovis2.5.

PP-OCRv5_mobile_det — мобильная модель обнаружения текста из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях для использования в OCR-конвейерах, анализе документов, распознавании номерных знаков и обнаружении текста в сценах. Модель рассчитана на печатный и рукописный текст на упрощённом и традиционном китайском, английском и японском языках. Она предназначена для работы с вертикальным, повёрнутым и изогнутым текстом, разными размерами надписей и сложным фоном. Это модуль обнаружения текста: для получения распознанного текста его сочетают с отдельной моделью распознавания. Модель доступна под лицензией Apache-2.0 и предназначена для использования через библиотеку PaddleOCR. В README приведены метрики точности на наборах сценариев, включая рукописный и печатный текст, поворот, искажения и художественные надписи; среднее значение в таблице составляет 0,770. Размер модели и ограничения по аппаратному обеспечению в предоставленных сведениях не описаны.

sskimtop/Qwen3-0.6B-JSON-SFT — компактная модель генерации текста на базе семейства Qwen3, дообученная в формате supervised fine-tuning для задач, связанных с формированием JSON. Модель содержит около 507,9 млн параметров и предназначена для запуска через библиотеку Transformers.

RohitUltimate/Qwen3.5_VL_2B_12k — мультимодальная модель для преобразования изображений и текста в текст, дообученная на базе Qwen3.5-2B. Карточка указывает на настройку для извлечения данных из банковских выписок и улучшенное следование инструкциям и понимание изображений. Модель рассчитана на контекст до 12 000 токенов и запуск на GPU с объёмом видеопамяти менее 8 ГБ; для инференса описана поддержка vLLM и Transformers. Модель подходит для разбора изображений банковских выписок и извлечения из них структурированной информации в текстовом виде. В репозитории указана лицензия MIT. Заявления об улучшении качества приведены в карточке модели, но количественные результаты оценки не указаны.

trohrbaugh/gemma-4-31b-it-heretic-ara — разговорная мультимодальная модель на архитектуре Gemma 4, размещённая пользователем trohrbaugh. По метаданным она работает через Transformers и принимает изображения вместе с текстом, поддерживая диалог и визуальное понимание. README описывает семейство Gemma 4: его модели предназначены для рассуждений, агентных сценариев, программирования и мультимодальных задач; модель 31B относится к варианту с контекстом до 256K токенов. В описании семейства указаны гибридное внимание с локальными и глобальными слоями, распознавание текста и документов на изображениях, понимание графиков и интерфейсов, а также вызов функций. Аудиовозможности README относит только к версиям E2B и E4B. Метка heretic и теги uncensored, decensored и abliterated указывают на модификацию, нацеленную на ослабление отказов, однако README не объясняет точную методику или проверенные характеристики именно этой сборки. Семейство Gemma 4 поддерживает более 35 языков, но конкретный список языков этой модели не приведён. Лицензия репозитория — Apache-2.0. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами.

gemma-4-E2B-it-qat-GGUF — мультимодальная instruction-tuned модель семейства Gemma 4, разработанная Google DeepMind и представленная в формате GGUF пользователем или организацией prithivMLmods. Модель предназначена для локального запуска на ноутбуках и мобильных устройствах, а также для исследований и приложений на базе llama.cpp. Она поддерживает работу с текстом, изображениями и аудио, включая генерацию текста, распознавание речи, перевод речи, анализ изображений, OCR, анализ кадров видео и native function calling. Доступен настраиваемый режим рассуждений. Модель имеет 2,3 млрд эффективных параметров и 5,1 млрд параметров вместе с embedding-слоями, использует Per-Layer Embeddings и Quantization-Aware Training (QAT). Архитектура включает 35 слоёв с чередованием локального sliding window attention на 512 токенов и глобального внимания, а также отдельные vision- и audio-энкодеры примерно на 150 млн и 300 млн параметров соответственно. Контекстное окно составляет 128K токенов, словарь — 262 тысячи токенов, заявлена поддержка более 140 языков; в README явно указан английский язык. Доступны варианты GGUF от Q2_K до Q8_0, а также BF16, F16 и F32, с размером основных файлов примерно от 2,98 до 18,5 ГБ. К сильным сторонам относятся мультимодальность, большое контекстное окно, оптимизация QAT для снижения требований к памяти и локального инференса, а также широкий выбор уровней квантования. Ограничения — заметные требования к памяти для старших вариантов, а также отсутствие подробных данных о производительности на конкретном оборудовании и практических ограничениях мультимодальных возможностей. Лицензия — Apache-2.0.

GLiNER-Multitask Large v0.5 — модель Knowledgator для извлечения заданной пользователем информации из обычного текста. Она использует двунаправленный Transformer-энкодер, похожий на BERT, и поддерживает настройку запросом: типы сущностей или другие сведения для извлечения задаются при работе модели. Модель предназначена для распознавания сущностей и отношений, извлечения ключевых фраз и тональности, поиска ответов в тексте, открытого извлечения информации и выделения предложений для краткого пересказа. Для NER модель показывает результаты, сопоставимые со специализированными моделями в приведённых авторами zero-shot бенчмарках. Для работы требуется библиотека GLiNER; веса доступны в форматах PyTorch и Safetensors. Карточка указывает поддержку английского языка и лицензию Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

PP-OCRv5_server_det — модель обнаружения текстовых областей из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для высокопроизводительного поиска текста на изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, сложные макеты, разный размер надписей и трудный фон. Модель подходит для анализа документов, распознавания текста на номерных знаках и обнаружения текста в сценах; заявлена поддержка упрощённого и традиционного китайского, английского и японского языков. В README приведены оценки по нескольким сценариям обнаружения текста со средним значением 0,827. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет размер модели и длину контекста. Это детектор текстовых областей, а не средство полного распознавания содержимого текста.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-AWQ-MTP — это 4-битная AWQ-квантизованная версия модели HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF, опубликованная twolven. Модель предназначена для генерации текста, рассуждений, работы с изображениями и вызова инструментов; поддерживает speculative decoding через встроенную NextN/MTP draft head при использовании vLLM. В карточке указан английский язык и мультимодальный режим image-text-to-text. Модель содержит около 27 млрд параметров и использует гибридную архитектуру Qwen3.5: 64 декодерных слоя, включая 48 слоёв с линейным вниманием Qwen3_5GatedDeltaNet и 16 слоёв с полным вниманием, а также 27-слойную vision tower. Основные линейные слои квантизованы в формате W4A16 с размером группы 128 и асимметричным квантованием; vision tower, lm_head, MTP head и отдельные компоненты сохранены в bf16. Размер модели на диске составляет около 19 ГБ. Проверки показали связное поведение, арифметическое рассуждение, распознавание форм и цветов на изображениях, работу tool calling и извлечение данных из контекстов до 229 200 токенов. К сильным сторонам относятся мультимодальность, сохранённая поддержка MTP для ускорения генерации, совместимость с vLLM, инструментами и длинным контекстом, а также отсутствие отказов в заявленных тестах uncensored-профиля. Главное ограничение — модель восстановлена из GGUF-квантизации Q8_K_P, а затем повторно квантизована до 4 бит, поэтому накопленная ошибка выше, чем у сборки, созданной непосредственно из исходных BF16-весов. Производительность MTP зависит от характера запроса и может различаться примерно на 30%; единое значение скорости генерации не приводится. Лицензия — Apache-2.0.

dragon-red-pajama-7b-v0 — модель серии dRAGon, разработанная llmware и дообученная для ответов по контексту. Она предназначена для фактологического вопросно-ответного поиска по сложным деловым, юридическим и нормативным документам, извлечения пар «ключ—значение» и краткого суммирования. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 2048 токенов. README указывает английский язык и настройку на короткие, ясные ответы для автоматизации рабочих процессов; в приведённых тестовых запусках галлюцинаций не наблюдалось. Модель принимает текстовый контекст и инструкции и генерирует текстовые ответы. Она может выдавать неточные или неполные сведения, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

google/gemma-3-12b-it-qat-int4-unquantized — мультимодальная диалоговая модель Google семейства Gemma 3, представленная как дообученная версия google/gemma-3-12b-it. Она принимает текст и изображения и генерирует текст; подходит для чат-ботов, ответов на вопросы по изображениям, извлечения и пересказа визуальной информации, суммаризации и генерации текстов. Открытые веса и сравнительно компактный размер семейства позволяют запускать модель на локальных компьютерах или собственной облачной инфраструктуре. Gemma 3 поддерживает контекст до 128 тысяч токенов и более 140 языков. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами, а её ответы могут отражать смещения обучающих данных. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Google.

coder3101/gemma-3-27b-it-heretic-v2 — мультимодальная чат-модель на архитектуре Gemma 3, созданная дообучением Google/gemma-3-27b-pt. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы по изображениям, извлечения визуальной информации, суммаризации и других задач генерации текста. В README указаны контекст до 128 тыс. токенов и поддержка более 140 языков для семейства Gemma 3. Метаданные отмечают модель как uncensored/abliterated, поэтому для приложений с пользовательским контентом следует самостоятельно оценивать безопасность ответов. Лицензия — Gemma.

heretic-org/gemma-3-4b-it-heretic — это производная от Gemma 3 4B IT модель с открытыми весами, размещённая heretic-org. Она принимает текст и изображения и генерирует текст; поддерживает диалоговые сценарии и задачи понимания изображений. В карточке базовой Gemma 3 указаны контекст до 128K токенов и поддержка более 140 языков. Модель подходит для ответов на вопросы по изображениям, извлечения и краткого изложения визуальной информации, диалоговых помощников, генерации и суммаризации текста. Метаданные отмечают её как uncensored/decensored, поэтому она может слабее ограничивать генерацию нежелательного содержания. Указанная лицензия — gemma; применяются условия лицензии и политики использования Gemma.

llmfan46/gemma-4-E4B-it-uncensored-heretic — производная модель на основе Google Gemma 4 E4B Instruct, опубликованная независимым автором. Это плотная мультимодальная модель для диалога и генерации текста, понимания изображений и аудио, рассуждений, программирования и вызова инструментов. В карточке заявлены гибридное внимание с локальными скользящими окнами и глобальными слоями, а для базовой модели E4B — контекст до 128 тысяч токенов и поддержка более 35 языков. Модель подходит для чат-ботов, суммаризации и создания текстов, извлечения данных из изображений и документов, распознавания речи и голосовых сценариев. В названии и тегах указано uncensored/abliterated, однако README не описывает конкретные изменения и не приводит отдельные оценки качества именно этой производной версии. Возможны фактические ошибки, смещения и трудности с неоднозначными или сложными запросами. Лицензия — Apache-2.0.

GLiNER-large-v2 — англоязычная модель для распознавания именованных сущностей, разработанная Уршаде Заратианой, Нади Томе, Пьером Ола и Тьерри Шарнуа. Она использует двунаправленный BERT-подобный трансформер и библиотеку GLiNER для извлечения сущностей из текста по заданным пользователем типам, поэтому подходит для гибкой разметки без ограничения фиксированным набором классов. Модель обучена на датасете NuNER и содержит 459 млн параметров. Её можно применять для извлечения сущностей из документов и текстовых коллекций, когда требуются настраиваемые типы сущностей и более компактный вариант по сравнению с крупными языковыми моделями. Репозиторий распространяется по лицензии Apache-2.0.

GLiNER Large v2.5 — мультиязычная модель распознавания именованных сущностей из сообщества GLiNER. Она использует двунаправленный трансформерный энкодер типа BERT и позволяет находить сущности типов, задаваемых при запросе, вместо работы только с фиксированным набором классов. Модель предназначена для извлечения сущностей из текста и может служить более компактной альтернативой крупным языковым моделям в сценариях с ограниченными ресурсами. Модель работает с библиотекой GLiNER и форматом PyTorch/Safetensors. В карточке указано мультиязычное назначение; конкретные языки и размер этой версии не приведены. Лицензия — Apache-2.0. В README приведены авторы семейства GLiNER, однако отдельная информация о разработчиках версии Large v2.5 отсутствует.

Ling-3.0-flash-VL — мультимодальная модель компании InclusionAI, построенная на основе Ling-3.0-flash. Она принимает текст, изображения и видео и предназначена для визуальных вопросов и ответов, анализа документов и сцен, рассуждений по визуальным данным и выполнения задач через интерфейсы программ и веб-сайтов. Модель использует визуальный энкодер ViT и двухслойный MLP-проектор для объединения визуальных признаков с текстом. Гибридная разреженная MoE-архитектура содержит 124 млрд параметров, из которых активны 5,5 млрд на токен; контекстное окно — до 256 тыс. токенов. Видеопозиционное кодирование учитывает пространственное расположение и временной порядок кадров. Карточка описывает возможности диалога, анализа длинных видео и агентных сценариев. Модель рассчитана на визуальное понимание и рассуждение, но заявленные результаты бенчмарков не гарантируют качество на конкретных данных или интерфейсах. README не уточняет поддерживаемые естественные языки. Репозиторий распространяется по лицензии MIT.

Карточка модели alpindale/Llama-3.2-90B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-90B-Vision, поэтому описание составлено по ней. Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

NerGuard-0.3B — многоязычная модель классификации токенов для обнаружения персональных данных (PII), разработанная на базе mDeBERTa-v3-base и дообученная на более чем 500 тыс. примеров AI4Privacy. Модель размечает токены в формате BIO и распознаёт 20 типов сущностей, включая имена, адреса, государственные идентификаторы, финансовые и контактные данные. Модель предназначена для поиска персональных данных в тексте, например перед маскированием или проверкой документов на соответствие требованиям приватности. Поддерживаются английский, немецкий, французский, итальянский, испанский, португальский, нидерландский и польский языки. Архитектура — DeBERTa V2 для классификации токенов; размер — 306 млн параметров, контекст — до 512 токенов. Карточка сообщает F1-macro 99,63% на валидационном разбиении AI4Privacy; на отдельном тесте NVIDIA Nemotron-PII базовая модель без LLM заняла 4-е место из 7 по F1-macro. Модель доступна под лицензией OpenRAIL. Её метки соответствуют исходной схеме AI4Privacy, поэтому для сопоставления с другими схемами разметки может потребоваться преобразование. Результаты на валидации AI4Privacy не гарантируют такую же точность на других данных; карточка показывает более скромные результаты на внешнем тесте.

PP-OCRv3_mobile_det — мобильная модель обнаружения текста из семейства PP-OCRv3_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях и предназначена для эффективного запуска, в том числе на периферийных устройствах. В составе конвейера PP-OCR обнаружение текста сочетается с распознаванием строк и, при необходимости, модулями коррекции ориентации и геометрии изображений. Модель принимает изображение и решает задачу обнаружения текста; сама по себе она не выполняет распознавание найденных строк в текст. В карточке заявлена поддержка английского и китайского языков. Репозиторий использует PaddleOCR; лицензия — Apache-2.0.