I.4Обработка документов и форм

savasy/bert-base-turkish-ner-cased — модель на основе BERT, дообученная для распознавания именованных сущностей в турецком тексте. Автор описывает её как простую в использовании NER-модель на базе transfer learning; в README также приведены результаты оценки на двух наборах данных: F1 около 0,925 и 0,953 соответственно. Архитектура — BertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и возвращает метки для токенов. Она предназначена для извлечения сущностей из турецких текстов. В README указана базовая модель dbmdz/bert-base-turkish-cased. Репозиторий содержит веса в форматах PyTorch, Safetensors и Flax. Лицензия в предоставленных данных не указана.

Модель autoevaluate/entity-extraction — версия distilbert-base-uncased, дообученная для классификации токенов на наборе данных CoNLL-2003. Она предназначена для извлечения именованных сущностей из текста, например распознавания имён людей, организаций и географических названий. Модель построена на архитектуре DistilBERT, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README приведены результаты оценки на тестовой выборке: F1 0,8972, точность 0,9775, полнота 0,9085. Карточка не описывает ограничения и не уточняет применимость за пределами CoNLL-2003; качество на других жанрах и языках может отличаться. Базовая модель uncased и обучающие данные указывают на английский язык. Лицензия — Apache-2.0.

Модель AI-aktindsigt создана в рамках проекта AI-aktindsigt и дообучена для распознавания именованных сущностей в датских документах по запросам о доступе к государственным материалам. Это модель на базе BERT с классификацией токенов, содержащая 205,1 млн параметров и принимающая текст с контекстом до 512 токенов. Представленная версия обучена с дифференциальной приватностью при ε=1. Она выделяет людей, места, организации, сведения о здоровье, адреса, муниципалитеты и телефонные номера. Модель предназначена для поиска чувствительных сущностей в документах; распознавание CPR-номеров и категорий преступлений в этой версии исключено. На тесте для версии sss-ner-dp-1 указана общая Macro-F1 0,75, при этом качество различается по категориям. Модель сохранена в формате PyTorch. Сведения о лицензии в доступной карточке не приведены.

Gemma 4 E4B UNESCO Resilient AI Optimized — частная оптимизированная версия модели Gemma 4 E4B, предназначенная для задач преобразования изображений в текст. В карточке указаны оценка качества 0,983, среднее время отклика 0,2417 и средний расход оперативной памяти 2,63 ГБ; методика измерений не описана. Модель заявлена как разработанная с использованием фреймворка H2E и стандартов развертывания SOMALA для суверенных систем. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; метаданные указывают поддержку английского языка и лицензию Gemma. Описание не раскрывает контекстные ограничения и подробные сценарии применения.

IRyS-NER-Recruitment — дообученная на наборе резюме модель RoBERTa для разметки токенов в задачах извлечения именованных сущностей из резюме. Она может помогать автоматически находить и классифицировать сведения о кандидатах при разборе документов для подбора персонала. Модель построена на roberta-base, содержит 151,8 млн параметров, принимает текст и имеет контекст длиной 514 токенов. На оценочном наборе указаны F1 0,8122, точность 0,7828 и полнота 0,8439. Эти показатели относятся к описанной выборке и не гарантируют аналогичного качества на других типах резюме или форматах данных. Для обработки длинных документов может потребоваться разбивать текст на фрагменты. Модель распространяется по лицензии MIT.

Keye-VL-671B-A37B — мультимодальная языковая модель семейства Keye-VL, разработанная командой Kwai-Keye. Она предназначена для понимания и генерации текста, анализа изображений и видео, визуальных рассуждений и решения математических задач. В карточке описана архитектура KeyeVLMoeForConditionalGeneration; репозиторий содержит веса safetensors в формате FP8. Модель рассчитана на контекст до 163 840 токенов и поддерживает видеозапросы с текстовым ответом. При обучении использовались данные для визуальных вопросов и ответов, включая OCR, диаграммы и таблицы, а также синтетические цепочки рассуждений и последующее обучение с проверкой ответов. Это делает модель применимой для анализа видеоматериалов и визуального содержимого с текстовым запросом. Указанная лицензия — Apache-2.0. Для развёртывания README приводит инструкции с SGLang и описывает многосерверную конфигурацию.

LFM2-8B-A1B от Liquid AI — гибридная языковая MoE-модель для локального запуска на телефонах, планшетах и ноутбуках. Вариант unsloth/LFM2-8B-A1B дообучен на основе LiquidAI/LFM2-8B-A1B; архитектура включает 18 блоков коротких свёрток и 6 блоков внимания GQA. В README указаны 8,3 млрд параметров всего и 1,5 млрд активных; метаданные Hugging Face сообщают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям, вызова инструментов, извлечения данных, RAG, творческого письма и агентных сценариев. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка рекомендует использовать её для узких задач после дополнительной настройки. Лицензия обозначена как other. По карточке, модель не рекомендуется для задач, требующих обширных знаний или программирования; сведения о конкретных условиях лицензии в предоставленных данных отсутствуют.

NERmembert-base-3entities — модель для распознавания именованных сущностей во французском тексте, разработанная Centre Aquitain des Technologies de l'Information et Electroniques и автором Loïck Bourdois. Она основана на CamemBERT base, дообученной для выделения персон (PER), организаций (ORG) и географических объектов (LOC). Модель обучалась на объединённом и очищенном наборе frenchNER_3entities из пяти французских датасетов для NER: около 420 тысяч размеченных предложений, включая обучающую, валидационную и тестовую выборки. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает французский текст и возвращает метки сущностей для его токенов. Модель подходит для извлечения имён людей, названий организаций и мест из французских документов и текстовых корпусов. В карточке указана лицензия MIT. Заявленные результаты оценки приведены в README, но численные таблицы в доступном тексте опущены; качество на других доменах и типах текста может отличаться.

NuNER-v1.0 — англоязычная модель распознавания именованных сущностей от NuMind, представленная в работе «NuNER: Entity Recognition Encoder Pre-training via LLM-Annotated Data». Это RoBERTa-base, дообученная на данных NuNER; модель содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать для извлечения эмбеддингов и дообучать на размеченных наборах данных для конкретных схем сущностей. Модель предназначена для распознавания сущностей в английском тексте, в том числе при небольшом количестве примеров для обучения. В README сообщается о результатах, сопоставимых с UniversalNER 7B на описанных оценках. Авторы рекомендуют более новую NuNER v2.0. Веса опубликованы в формате safetensors под лицензией MIT.

Ornith-1.5-35B-A3B-Vision-MTPLX-4bit — квантизированный производный релиз модели ornith-ai/Ornith-1.5-35B-A3B, опубликованный zwcf5200. Модель предназначена для задач преобразования изображений и текста в текст, включая визуальный анализ и чтение графиков, и рассчитана на запуск через MLX/oMLX на устройствах Apple Silicon. Она сохраняет штатную vision tower и одност layer MTPLX head для multi-token prediction и speculative decoding. В основе используется mixture-of-experts архитектура Qwen3_5MoeForConditionalGeneration с 35 млрд параметров, из которых примерно 3 млрд активируются на токен. Основная модель и runtime sidecar MTP выполнены в 4-битной affine-квантизации с размером группы 64; компоненты vision и нормализации используют BF16. В README указан английский язык, а поддержка контекстов продемонстрирована на длине до 32 768 токенов. Рекомендуемая глубина MTP для смешанных визуально-текстовых запросов — 2. Сильными сторонами являются мультимодальность, MoE-эффективность, снижение требований к памяти благодаря 4-битной квантизации и ускорение генерации с MTP примерно на 20–22% в локальных тестах на Mac Studio с M3 Ultra. При этом MTP увеличивает пиковое потребление памяти примерно на 1,7–1,75 ГБ, а результаты зависят от конфигурации, размера пакета и программного стека; приведённые показатели являются локальными измерениями, а часть тестов пакетной обработки не является контролируемым сравнением. Модель распространяется по лицензии MIT.

Otter Bi MM BERT — мультиязычная модель распознавания именованных сущностей, разработанная автором репозитория whoisjones. Она принимает текст и названия типов сущностей на естественном языке, например «person» или «chemical compound», и возвращает символьные диапазоны найденных сущностей без фиксированного набора меток и отдельной настройки под каждую схему. Модель использует биэнкодер: текст и названия типов кодируются отдельно, а представления меток можно повторно использовать для обработки корпуса с неизменным набором типов. Текстовый энкодер основан на jhu-clsp/mmBERT-base, энкодер меток — на google-bert/bert-base-multilingual-uncased. Максимальная длина последовательности составляет 1024 токена, максимальная длина диапазона — 30 токенов. Модель подходит для мультиязычного извлечения сущностей с пользовательскими типами и обработки больших корпусов, когда набор типов повторяется. Лицензия — Apache-2.0. Порог по умолчанию равен 0,2 и был выбран по макро-F1 на наборе оценки; результат чувствителен к количеству и формулировкам типов, поэтому порог может потребовать повторной калибровки на данных конкретной области. README отмечает, что модели семейства cross-encoder сильнее, тогда как bi-encoder экономичнее при многократном применении одного набора меток.

Pix2Struct Widget Captioning Large — модель Google для понимания изображений, построенная по схеме «визуальный энкодер — текстовый декодер» и реализованная как Pix2StructForConditionalGeneration. Она принимает изображение и может отвечать на вопросы о его содержимом; семейство Pix2Struct также обучалось для создания подписей к изображениям и разбора визуально представленного языка. Предобучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML, а вход переменного разрешения позволяет работать с разнообразными визуальными материалами. Модель предназначена для визуальных вопросов и ответов, в том числе по изображениям веб-страниц, документов, интерфейсов, иллюстраций и фотографий. В метаданных указаны языки английский, французский, румынский и немецкий, а также мультиязычная поддержка. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает семейство Pix2Struct в целом, поэтому отдельные показатели качества и точные характеристики именно версии Widget Captioning Large здесь не подтверждены.

PP-OCRv6_small_det_safetensors — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях как часть конвейера OCR; для распознавания найденных строк требуется отдельный модуль распознавания. Модель использует backbone LCNetV4 и neck RepLKFPN, содержит 2,48 млн параметров и распространяется в формате safetensors. Семейство PP-OCRv6 рассчитано на работу с 48 языками и разными видами текста, включая рукописный, печатный, повернутый, изогнутый и декоративный; метаданные этой карточки отмечают английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для встраивания обнаружения текста в приложения и OCR-конвейеры с ограничениями по размеру. README не приводит отдельные метрики для варианта small_det. Одна модель обнаружения сама по себе не выполняет распознавание текста и не заменяет полный OCR-конвейер.

Qwen3.7-Plus — экономичная мультимодальная модель из серии Qwen3.7 компании Alibaba. Она принимает текст и изображения и формирует текстовые ответы, поэтому подходит для диалога и задач, где нужно интерпретировать визуальное содержимое вместе с текстовым запросом.

Qwen3.8-27B-FP8 — квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная huginnfork на базе модели Qwen/Qwen3.8-27B. Она предназначена для задач, объединяющих работу с текстом и изображениями, включая генерацию и понимание ответов по визуально-текстовым запросам. Модель поддерживает speculative decoding и multi-token prediction, однако конкретный набор языков и максимальная длина контекста в предоставленных данных не указаны. Модель имеет плотную архитектуру семейства Qwen3.5 с гибридом линейного внимания и полного self-attention, vision tower и MTP-head. Квантование выполнено по схеме FP8_DYNAMIC W8A8: веса и активации MLP-проекций квантуются в FP8 E4M3, а активации обрабатываются динамически на уровне токенов. Пути self-attention, linear attention на базе SSM, vision tower, lm_head и MTP-head сохранены в формате bf16. Размер чекпойнта составляет около 35,8 GiB в восьми файлах против 51,7 GiB у версии bf16. Выборочная квантизация MLP снижает объём хранения и, согласно приведённым измерениям, обеспечивает меньшее расхождение с исходной bf16-моделью, чем официальный FP8-релиз, при сохранении сопоставимой perplexity. Ограничения включают необходимость совместимого программного и аппаратного стека для FP8 и отсутствие в предоставленном README подробностей о фактической производительности, поддерживаемых языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

kelnei/Qwen3.8-27B-NVFP4 — это квантизированная версия мультимодальной модели Qwen3.8-27B, разработанная на основе исходной модели Qwen/Qwen3.8-27B. Она предназначена для генерации текста и обработки изображений с текстом, включая сценарии чат-взаимодействия и инференса на NVIDIA Blackwell GPU с архитектурой SM 12.0 и выше. Модель использует смешанную квантизацию: большинство линейных слоёв работают в NVFP4 (W4A4, group-16), отдельные компоненты — в FP8, а vision tower, merger, embeddings, norms и часть DeltaNet-слоёв сохранены в BF16. Размер чекпойнта и требуемой видеопамяти составляет около 21,8 ГБ против примерно 56 ГБ у версии BF16. Поддерживаются KV-кэш FP8 и multi-token prediction (MTP); заявленная точность относительно BF16-оригинала — 94,1% совпадения top-1 при эмулированном W4A4-инференсе. Главное преимущество модели — существенное снижение требований к памяти при сохранении близкого к исходному качеству и повышение скорости декодирования, особенно при MTP speculative decoding. Рекомендуемый сервер — vLLM с оптимизированными NVFP4-ядрами; для SGLang необходимо использовать более раннюю ревизию с BF16-головой, поскольку текущая FP8-голова может приводить к вырожденным результатам. Для работы требуется совместимый NVIDIA Blackwell GPU, поэтому модель не является универсальной для старых видеокарт. Модель распространяется по лицензии Apache-2.0.

Это мультимодальная vision-language модель Qwen3.8-27B, разработанная командой Qwen и представленная в квантованном варианте пользователем lribeiro. Модель предназначена для обработки текста, изображений и видео, включая задачи понимания визуального содержания и генерации текста по визуальному контексту. Она реализована на базе архитектуры Qwen3_5ForConditionalGeneration и поддерживает многоязычные сценарии. Языковая часть содержит около 27 млрд параметров, а vision tower — ещё около 460,7 млн. Архитектура включает 64 слоя: 48 слоёв линейного внимания GatedDeltaNet и 16 слоёв полного внимания, а также vision encoder на базе 27-слойного ViT. Контекст в указанной конфигурации составляет 8192 токена. Лингвистические слои используют FP8 E4M3 в режиме W8A8 с GPTQ-коррекцией весов, тогда как визуальный энкодер и MTP-head сохранены в BF16. Размер чекпойнта составляет 29,97 ГБ против 55,6 ГБ у BF16-базы. Сильными сторонами являются сохранённая обработка изображений и видео, уменьшенный размер, высокая скорость prefill и поддержка MTP speculative decoding; после исправления конфигурации заявлена скорость декодирования 106,9 токена в секунду против 69,4. Ограничения включают необходимость оборудования с поддержкой FP8, прежде всего NVIDIA Blackwell, Ampere или Hopper, а также зависимость от совместимой версии vLLM и FlashInfer. Модель распространяется по лицензии Apache-2.0.

SberDevices и AGI NLP разработали sage-fredt5-distilled-95m — компактную модель на архитектуре T5 для исправления орфографии, пунктуации и опечаток в русских текстах. Она преобразует текст с ошибками в нормативный вариант и может восстанавливать пробелы, регистр букв и знаки препинания. Модель получена дистилляцией исходной модели на архитектуре FRED-T5-1.7B и содержит 55,1 млн параметров. Для обучения использовался корпус искусственно искажённых русскоязычных текстов на основе Википедии и расшифровок видео. Модель предназначена для автоматической корректуры текстов; карточка приводит результаты оценки на общих, многодоменных, медицинских и GitHub-текстах. По данным карточки, сложное форматирование может ухудшить качество результата. Лицензия — MIT.

timm/vit_pe_lang_large_patch14_448.fb — вариант визуального энкодера Perception Encoder Language от Meta, преобразованный для библиотеки timm и содержащий только энкодер изображений. Это большая модель семейства ViT с патчами 14×14 и входным разрешением 448 пикселей; она обучена на контрастивных изображениях и текстах и дополнительно выровнена для языковых задач. В полном мультимодальном конвейере энкодер можно сочетать с языковым декодером, например Llama или Qwen. Модель предназначена для получения визуальных признаков для поиска и других задач понимания изображений; семейство PE Lang особенно хорошо показало себя на OCR и анализе документов, включая ответы на вопросы по документам. Эта карточка содержит только визуальный энкодер: сама модель не генерирует текст и не принимает видео. Веса доступны в форматах PyTorch и safetensors по лицензии Apache 2.0.

VLAA-Thinker-Qwen2.5VL-3B — исследовательская визуально-языковая модель UCSC-VLAA для ответов на вопросы по изображениям с пошаговыми рассуждениями. Она основана на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстом; для генерации ответов используется контекст до 128 000 токенов. Модель обучали с применением supervised fine-tuning и reinforcement learning на данных VLAA-Thinking, охватывающих визуальную математику, графики, научные иллюстрации и документы. Модель предназначена для мультимодальных задач рассуждения: решения задач по диаграммам и изображениям, визуальных вопросов и извлечения ответов из документов. В карточке сообщается о высоких результатах семейства VLAA-Thinker на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Репозиторий использует Transformers и формат safetensors; указана лицензия Apache-2.0. Для инференса README требует включать обученный системный промпт.

Карточка модели powerwook/xlm-roberta-base-finetuned-panx-de на Hugging Face совпадает с карточкой creemur/xlm-roberta-base-finetuned-panx-de, поэтому описание составлено по ней. creemur/xlm-roberta-base-finetuned-panx-de — модель токеновой классификации на базе XLM-RoBERTa Base, дообученная для задачи PAN-X на немецком языке. Архитектура — плотная XLM-RoBERTa с головой классификации токенов; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и присваивает метки его токенам, что подходит для извлечения сущностей в немецком тексте. В README указана оценка F1 0,8602 и loss 0,1426 на тестовой выборке. Датасет описан как неизвестный, поэтому состав меток и охват доменов по карточке установить нельзя. Модель распространяется по лицензии MIT.

Это модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-german-cased и дообучена на собственном наборе данных, состав которого в карточке не раскрыт. Архитектура — BERT для классификации токенов; модель содержит 136,3 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для разметки немецких текстов по типам сущностей. На указанном в карточке наборе оценки она получила F1 0,7772, точность 0,7134 и полноту 0,8536; результаты на других данных могут отличаться. Распространяется по лицензии MIT.

GoLLIE-7B — языковая модель для извлечения информации, разработанная исследователями HiTZ Basque Center for Language Technology при Университете Страны Басков. Модель дообучена на основе CODE-LLaMA2 и следует подробным инструкциям и правилам аннотирования, заданным для конкретной схемы. Она генерирует структурированные результаты извлечения по описанным пользователем классам и указаниям. Модель предназначена для распознавания именованных сущностей, извлечения событий и отношений, а также для zero-shot извлечения информации и задач с пользовательскими схемами аннотирования. Это плотная архитектура LLaMA с 6,6 млрд параметров и контекстом до 16 384 токенов; заявленный язык — английский. В карточке приведены средние F1 55,3 для zero-shot и 73,0 для supervised оценки. Для запуска нужны совместимые средства работы с моделями PyTorch и Transformers. Модель распространяется по лицензии LLaMA 2; ограничения лицензии следует учитывать при использовании.

herbert-base-ner — польская модель для распознавания именованных сущностей, созданная на базе HerBERT. Это дообученная модель архитектуры BERT с 151,6 млн параметров, рассчитанная на контекст до 514 токенов. Она была дообучена на польской части набора WikiAnn и определяет имена людей (PER), географические названия (LOC) и организации (ORG). Модель подходит для извлечения этих сущностей из польских текстов, например для последующей индексации или анализа документов. Доступна в форматах PyTorch и Safetensors; лицензия — CC BY 4.0. Ограничена тремя указанными типами сущностей и польским языком.

Hushmark-TR 289M — турецкая модель распознавания именованных сущностей, разработанная Hushmark и дообученная на базе urchade/gliner_multi_pii-v1 с энкодером microsoft/mdeberta-v3-base. Это полный чекпойнт архитектуры GLiNER на 288 949 504 параметра, предназначенный для поиска в тексте 12 категорий персональных данных и других чувствительных сущностей, включая людей, адреса и организации. Модель предлагает границы сущностей для последующей обработки в системах защиты данных и поддерживает PyTorch и FP32 ONNX. Максимальная длина входа — 384 токена, ширина кандидата на сущность — 12 токенов; более длинный текст необходимо разбивать на фрагменты. Опубликованная оценка получена на синтетических, близких по шаблонам наборах данных и не гарантирует качество на реальных текстах. Возможны ложные срабатывания и пропуски; требуется проверка на данных конкретной организации. Модель сама не выполняет анонимизацию и не гарантирует соблюдение законодательства. Лицензия — Apache-2.0.

KnowLM-13B-IE — модель семейства LLaMA, разработанная ZJUNLP для извлечения информации из текста. Она предназначена для распознавания именованных сущностей, извлечения отношений и событий, определения типов событий и извлечения аргументов событий. Модель принимает инструкции с описанием задачи, необязательной схемой меток и требуемым форматом структурированного ответа; результат выдаётся в текстовом виде. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и имеет контекст 2048 токенов. README описывает работу с китайскими и английскими наборами данных и шаблоны на китайском языке, а также перечисляет пять задач извлечения информации. Вариант IE обучен с отрицательной выборкой: он может возвращать NAN для отсутствующих отношений или типов, что полезно при извлечении по заданной схеме. По сравнению с KnowLM-13B-Zhixi практичность извлечения информации несколько выше, но общая применимость и способность к обобщению ниже. Для работы требуется форматировать входные данные в виде инструкции и входного текста, задавая схему и формат ответа. Лицензия в предоставленных данных не указана.

SLIMER-IT — модель генерации текста на базе Meta Llama 3, разработанная expert.ai для извлечения именованных сущностей на итальянском языке в режиме zero-shot. Она дообучена на итальянской инструкционной модели swap-uniba/LLaMAntino-3-ANITA-8B-Inst-DPO-ITA и настроена распознавать сущности по заданному пользователем названию типа, определению и рекомендациям, включая типы сущностей, которых не было среди обучающих меток. В README приведён пример извлечения мифологических сущностей и возврата результата в виде JSON-списка; модель также обучена на сокращённом наборе меток PER, ORG и LOC. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 8192 токенов. Лицензия — Llama 3 Community License. Подходит для извлечения сущностей из итальянских текстов, однако точность зависит от качества инструкций, определений и рекомендаций; карточка не приводит количественных оценок качества.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная Haotian Liu, Chunyuan Li, Yuheng Li, Bo Li, Yuanhan Zhang, Sheng Shen и Yong Jae Lee. Она объединяет языковую модель Vicuna-13B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. По сравнению с LLaVA-1.5 в ней используются динамическое высокое разрешение и более разнообразные данные визуальной настройки инструкций; заявленные сценарии включают описание изображений, визуальные вопросы и ответы, распознавание текста на изображениях и мультимодальный чат. Репозиторий содержит веса в формате Safetensors. Лицензия указана как Llama 2. Возможные ограничения включают ошибки в распознавании деталей изображения и текста, а также неточности в ответах; отдельные количественные оценки качества в карточке не приведены.

NERmembert-large-4entities — модель CamemBERT large, дообученная Лои́ком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она присваивает метки токенам и выделяет четыре типа сущностей: людей (PER), организации (ORG), географические названия (LOC) и прочие сущности (MISC).

Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.