I.8Изображения и компьютерное зрение

Guizmus/DeathNote — дообученная модель Stable Diffusion для генерации изображений по текстовому описанию, обученная на изображениях из аниме «Тетрадь смерти». В README указана базовая модель naclbit/trinart_stable_diffusion_v2 и обучение на 93 изображениях в течение 12 500 шагов. Специальные слова в запросе помогают создавать изображения Тетради смерти, Лайта Ягами, Рюка, L, Мисы Аманэ и других персонажей; токен DNStyle для стиля аниме отмечен как неудачный и оставлен только в первой версии. Модель работает через StableDiffusionPipeline библиотеки Diffusers; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Она предназначена для создания фан-арта и изображений персонажей по текстовым промптам на английском языке. Лицензия — CreativeML OpenRAIL-M. Небольшой обучающий набор и узкая тематика ограничивают разнообразие и надёжность генерации за пределами персонажей и мира «Тетради смерти».

Это LoRA-адаптер для генерации видео, разработанный для использования с базовой моделью Lightricks/LTX-Video, в частности с версией LTXV 2.3. Модель предназначена для image-to-video и text-to-video сценариев, включая создание материалов с эротической тематикой и furry-контентом. В README она описана как универсальный адаптер для сексуализированных видеосцен. Модель подключается к pipeline библиотеки Diffusers и может использоваться через API MUAPI. В качестве примера указаны разрешение 768×512, 97 кадров и параметр lora_strength 1.0. Архитектура, число параметров, поддерживаемые языки, точные требования к входным изображениям и контексту не указаны. К сильным сторонам относятся специализация на заданной тематике и совместимость с LTXV 2.3; ограничения связаны с зависимостью от базовой модели и отсутствием подробных данных о качестве, области применимости и настройках обучения. Для модели указана лицензия openrail++. README не содержит сведений о разработчике или авторе адаптера, обучающих данных и дополнительных ограничениях использования.

optimum-internal-testing/tiny-random-stable-diffusion-3 — небольшая тестовая модель из экосистемы Hugging Face Diffusers, размещённая организацией Optimum Internal Testing. Она предназначена для проверки работы компонентов и интеграций Stable Diffusion 3, а не для production-генерации изображений высокого качества. Модель поддерживает задачу text-to-image и используется через StableDiffusion3Pipeline в библиотеке Diffusers. Указанный размер составляет около 303 тысяч параметров, тип тензоров — F32. Поддерживаемые языки, точная архитектура, размер контекста, данные обучения, результаты оценки и разработчик исходной базовой модели в карточке не указаны. Главное преимущество — крайне малый размер, удобный для автоматизированного тестирования и проверки совместимости. Ограничения — тестовый характер, отсутствие данных о качестве, непредназначенность для практической генерации изображений и отсутствие опубликованных сведений о рисках, смещениях и ограничениях. Лицензия в карточке модели не указана.

wd40 — мемная модель генерации изображений в стиле аниме, созданная командой авторов, указанных в карточке. Это Stable Diffusion-модель на базе Kakigori v3: авторы обучили несколько LoRA на сгенерированных Bing изображениях кошкодевушек с баллонами WD-40 и объединили их с базовой моделью. Модель предназначена для создания похожих изображений, особенно персонажа с баллоном WD-40. Модель принимает текстовые запросы и генерирует изображения. Авторы отмечают, что равномерное обучение на тегах WD Tagger приводит к похожим результатам при разных запросах и что качество генерации невысокое. Репозиторий использует Diffusers и формат Safetensors. Лицензия — CreativeML OpenRAIL-M.

Muapi/penis-lora-by-coachbate-ltx-2.3 — LoRA-адаптер, разработанный CoachBate для базовой модели Lightricks/LTX-Video версии 2.3. Модель предназначена для генерации видео по текстовому описанию с акцентом на изображения мужской половой анатомии; триггерное слово обучения — «bwc». В README не указаны точные объём обучающих данных, размер адаптера, параметры архитектуры, поддерживаемые языки и максимальная длина контекста. Адаптер используется совместно с библиотекой diffusers и pipeline text-to-video. В приведённом примере указаны разрешение 768×512, 97 кадров и сила LoRA 1.0; генерация выполняется через API MUAPI и требует API-ключа. Сильная сторона модели — специализированная адаптация LTX-Video под конкретную визуальную тематику, однако область применения узкая, а качество и поведение при других запросах в README не описаны. Лицензия указана как openrail++; дополнительные ограничения и условия распространения в предоставленных данных не раскрыты.

blinkblowbang — LoRA-адаптер для генерации видео с использованием базовой модели Wan-AI/Wan2.2-I2V-A14B. В карточке модель указана как разработанная пользователем profpeng. Она предназначена для создания откровенного сексуального контента с участием совершеннолетних персонажей, включая сцены группового секса и оральных сексуальных действий, с вариациями по внешности участников, ракурсу и последовательности действий. Модель относится к семейству Diffusers LoRA и ориентирована на text-to-image и, вероятно, image-to-video-сценарии на базе Wan2.2-I2V-A14B. В README приведены примеры промптов для сцен с женщиной и несколькими мужчинами, включая съёмку спереди, сбоку и сверху, переходы между сценами и различные визуальные характеристики участников. Размер адаптера, точные требования к памяти, поддерживаемые языки, длина контекста и рекомендуемые параметры генерации не указаны. Сильная сторона модели — специализация на узком наборе эротических видеосцен и возможность управлять отдельными визуальными вариантами через текстовые описания. Ограничения связаны с узкой областью применения, зависимостью от базовой модели Wan2.2-I2V-A14B и отсутствием подробных сведений о качестве, стабильности результатов и технических настройках. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

PixelModel — экспериментальная компактная нейросеть от Bench Labs, предназначенная для генерации изображений по текстовому описанию. Её веса кодируются пикселями PNG: при инференсе изображение декодируется в матрицы небольшой полносвязной MLP, а текстовый запрос преобразуется в вектор. Модель генерирует изображения размером 32×32 пикселя. Репозиторий содержит веса в формате safetensors и средства обучения и инференса. В README модель прямо названа игрушечной и непригодной для практического применения; простые шаблоны обучаются быстрее. Лицензия — MIT.

RoyRud1902/yolo11n-text — дообученная модель детекции текстовых областей на изображениях на базе YOLO11n от Ultralytics. Компактная архитектура YOLO11n nano содержит около 2,59 млн параметров и предсказывает ограничивающие рамки одного класса — текста. Модель рассчитана на документы, снимки экрана, интерфейсы и фотографии с текстом; библиотека для работы — Ultralytics, формат весов в репозитории — PyTorch. Модель можно использовать для поиска областей текста перед OCR, анализа документов, обработки PDF и нахождения текстовых элементов в интерфейсах. В README приведены результаты обучения на наборе DonkeySmall/Yolo-Text-Detection: precision 95,7%, recall 93,6% и mAP@50 97,6%. Лицензия — Apache-2.0. Модель лучше подходит для горизонтального текста; точность на повёрнутом тексте может снижаться. Она обучалась преимущественно на документах и изображениях интерфейсов, не различает типы текста и показывает лучшие результаты при размере входа около 640 пикселей.

latin_PP-OCRv5_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться как модуль распознавания в OCR-конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и искажений изображения. Модель ориентирована на латинские письменности; карточка указывает поддержку английского и китайского языков, а README отдельно описывает распознавание корейского. Для набора данных латинских языков приведена точность 84,7%; при подсчёте строка считается ошибочной, если неверен хотя бы один символ, включая пунктуацию. Репозиторий распространяется по лицензии Apache-2.0 и использует библиотеку PaddleOCR.

apple/DFN-public — контрастивная модель CLIP ViT-B/32 от Apple, обученная на общедоступных данных Conceptual Captions 12M, Conceptual Captions 3M и Shutterstock 15M. В ходе обучения модель обработала 1,28 млрд примеров. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому из них. Модель подходит для быстрой разметки изображений по заданным категориям и поиска изображений по текстовым запросам. Это конверсия исходных контрольных точек JAX в PyTorch; в метаданных указана лицензия apple-amlr. README не приводит подробных ограничений точности или перечня поддерживаемых языков, поэтому результаты следует проверять для конкретных данных и формулировок.

keremberke/yolov8n-table-extraction — модель компьютерного зрения на базе YOLOv8, опубликованная Keremberke для обнаружения таблиц в документах. Она обучена распознавать таблицы с рамками и без рамок и предназначена для выделения их областей на изображении. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. Модель подходит для автоматического поиска таблиц при обработке сканов и изображений документов, в том числе как этап предварительной обработки перед извлечением содержимого таблиц. Карточка указывает классы bordered и borderless. Сведения о лицензии и количественных показателях качества в предоставленных данных отсутствуют.

en_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она распознаёт английский текст и возвращает его в виде строки; модель можно использовать как модуль распознавания в конвейере OCR, вместе с обнаружением текста и дополнительными модулями ориентации и выравнивания изображения. Для модели указана точность 85,3% по метрике, при которой строка считается ошибочной, если в ней неверен хотя бы один символ или знак препинания. Мобильный вариант предназначен для эффективного распознавания, однако характеристики скорости и размер модели в карточке не приведены. Репозиторий распространяется по лицензии Apache-2.0.

PP-DocLayoutV3 — модель обнаружения структуры документов от команды PaddlePaddle для фреймворка PaddleOCR. Она предназначена для анализа изображений документов, в том числе снятых под углом и с изогнутой поверхностью: модель предсказывает многоугольные границы элементов макета и определяет логический порядок чтения за один проход. Это помогает извлекать структуру сложных реальных документов и служит компонентом PaddleOCR-VL 1.5/1.6, GLM-OCR и Xiaomi-OCR-0. Модель распространяется в весах для PaddlePaddle; в карточке указана лицензия Apache-2.0. Метаданные относят её к сегментации изображений, а описание подчёркивает обнаружение макета документа. Карточка указывает поддержку английского и китайского языков, но не приводит ограничений по классам документов или точности.

GLM-4.5V-FP8 — мультимодальная vision-language модель, разработанная ZhipuAI на базе текстовой модели GLM-4.5-Air. Она предназначена для анализа изображений, видео и документов, визуального рассуждения, понимания интерфейсов и задач GUI-агента, а также точной локализации объектов на изображениях. Модель поддерживает китайский и английский языки и работает через библиотеку Transformers. Модель имеет архитектурную основу GLM-4.5-Air с 106 млрд параметров, из которых 12 млрд активны, и представлена в формате FP8. Она поддерживает режим Thinking Mode для выбора между быстрыми ответами и углублённым рассуждением, умеет выполнять анализ сцен и нескольких изображений, распознавать события в длинных видео, разбирать сложные графики и длинные документы, а также возвращать координаты ограничивающих рамок объектов в нормализованном формате. Заявлена высокая эффективность на 42 публичных vision-language бенчмарках среди моделей сопоставимого масштаба. Ограничения, включая размер контекста, перечень поддерживаемых форматов и требования к ресурсам, в README не указаны. Модель распространяется по лицензии MIT.

GR-Lite — модель извлечения визуальных признаков для поиска изображений товаров моды; разработчик — srpone. Она дообучена на базе facebook/dinov3-vitl16-pretrain-lvd1689m и предназначена для поиска похожих товаров по изображению и построения векторного индекса каталога. Модель использует архитектуру ViT-L/16 и принимает RGB-изображения размером 336 × 336. Основной результат — L2-нормированный эмбеддинг размерности 1024, подходящий для сравнения по косинусному сходству; также доступно полное последовательное представление. Метаданные указывают 402,7 млн параметров, а README — 303 млн, поэтому размер модели в источниках расходится. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. GR-Lite заявлена как модель для поиска в fashion-каталогах; README сообщает о высоких результатах на LookBench и других бенчмарках, но не приводит численных метрик. Она извлекает признаки изображений, а не генерирует описания или изображения; для практического поиска потребуется сравнить эмбеддинги запроса с эмбеддингами каталога.

PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

ScreenParser — модель обнаружения элементов пользовательского интерфейса, разработанная IBM Research и ETH Zurich. Это YOLO11-L, дообученная на наборе ScreenParse v2 для анализа скриншотов веб-страниц. На вход подаётся изображение экрана, на выходе — рамки объектов, метки классов и оценки уверенности для 55 типов элементов, включая кнопки, поля ввода, меню, вкладки, текстовые блоки и изображения. Модель предназначена для разбора структуры веб-страниц, поиска и классификации видимых компонентов интерфейса. Текущий чекпойнт обучен на 1 447 100 скриншотах с 25 575 213 аннотациями элементов; обучение учитывает разные разрешения экранов. Модель принимает изображения и возвращает разметку в виде рамок и меток. Для извлечения текста из найденных элементов её можно сочетать с OCR или ScreenVLM. Лицензия — Apache 2.0. Модель обучена на скриншотах веб-страниц, поэтому качество может снижаться на скриншотах нативных настольных, мобильных и других приложений, отличающихся от обучающих данных.

AnyGPT-base — базовая мультимодальная авторегрессионная модель команды OpenMOSS-Team, построенная на архитектуре LLaMA и объединяющая текст, изображения, речь и музыку через дискретные представления и предсказание следующего токена. Модель содержит 6,7 млрд параметров, использует формат PyTorch и имеет контекст 2048 токенов. Для обработки модальностей применяются отдельные токенизаторы и компоненты реконструкции: SpeechTokenizer и Soundstorm для речи, SEED-tokenizer для изображений, Encodec-32k для музыки и unCLIP SD-UNet для восстановления изображений. Модель предназначена для преобразования данных между модальностями: генерации изображений, описания изображений, распознавания речи, синтеза речи, генерации музыки и создания описаний музыки. README указывает, что AnyGPT-base может выполнять эти задачи в заданном формате инструкций; примеры и метки языковой поддержки в метаданных относятся к английскому. Авторы отмечают нестабильность генерации из-за ограничений данных и вычислительных ресурсов, поэтому результат может требовать повторной генерации или настройки декодирования. Лицензия — исходная лицензия LLaMA 2.

Nomic Embed Vision v1.5 — модель семейства Nomic BERT от Nomic AI для получения признаковых представлений изображений. Она предназначена для извлечения эмбеддингов и мультимодального поиска, включая поиск изображений по текстовому запросу в системах retrieval и RAG. В README также описан совместный анализ пространств эмбеддингов изображений и текста. Модель принимает изображения и выдаёт векторные представления; для текстовых запросов в мультимодальном поиске README рекомендует префикс «search_query: ». В метаданных указаны архитектура NomicVisionModel, библиотека Transformers и форматы Safetensors и ONNX. Язык карточки — английский; размер модели и длина контекста не указаны. Лицензия — Apache-2.0.

PP-OCRv6_small_rec — компактная модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Она предназначена для модуля распознавания в OCR-конвейере: получает изображение с текстом, например найденную строку, и преобразует её в текст. Модель использует лёгкий backbone LCNetV4, распознающий блок EncoderWithLightSVTR и декодер с головами CTC и NRTR; размер составляет 5,2 млн параметров. Модель поддерживает 50 языков и рассчитана на разнообразные печатные, рукописные и промышленные сценарии, включая цифровые дисплеи, точечно-матричные символы и маркировку на шинах. Её можно применять как часть конвейера PaddleOCR для извлечения текста из изображений; обнаружение текста и другие этапы конвейера выполняются отдельными модулями. Репозиторий указывает лицензию Apache-2.0.

en_PP-OCRv4_mobile_rec — модель распознавания строк текста из семейства PP-OCRv4_rec, разработанная командой PaddleOCR. Она обучена на основе PP-OCRv4_mobile_rec и предназначена для распознавания английского текста на изображениях; результатом работы модели является текстовая строка. Модель используется как модуль распознавания в конвейере OCR: после обнаружения текстовых областей другие модули конвейера передают ей изображения строк. PP-OCRv4 также может включать коррекцию ориентации и искажений, однако эти возможности относятся к конвейеру из нескольких моделей, а не к данной модели распознавания строк. Репозиторий предназначен для использования с PaddleOCR и распространяется по лицензии Apache-2.0.

eslav_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений, особенно на восточнославянских языках, и выдаёт распознанную строку. Модель можно использовать как компонент OCR-конвейера PaddleOCR вместе с обнаружением текста и другими модулями обработки изображений. В README приведена точность 81,6% на наборе данных восточнославянских языков; строка считалась ошибочной при неверном распознавании любого символа, включая пунктуацию. Это мобильный вариант, рассчитанный на эффективное распознавание текста в строках. Репозиторий указывает лицензию Apache-2.0.

MIO-7B-Base — базовая мультимодальная авторегрессионная модель, разработанная командой M-A-P и соавторами из исследовательских организаций. Она предназначена для генерации и понимания текста, изображений, речи и видео в единой последовательности токенов. В основе — плотная архитектура LLaMA с 5,8 млрд параметров; модель использует дискретные представления разных модальностей и контекст до 4096 токенов. Исследовательская работа описывает сценарии визуальных вопросов и ответов, распознавания и синтеза речи, создания подписей к видео, редактирования изображений и смешанной генерации текста с изображениями. Модель основана на Yi-6B-Base и дообучена для мультимодальных задач; переданные метаданные также связывают её с Yi-6B-Chat. Для этой версии в карточке указана лицензия Apache-2.0. Публикация сообщает о конкурентных результатах в ряде тестов, но отмечает сложности с вычислительной стоимостью длинных мультимодальных контекстов и разрешением генерируемых изображений. Указанный в метаданных pipeline_tag — text-generation; мультимодальные задачи и характеристики описаны в публикации о семействе MIO.

PP-OCRv4_mobile_rec — модель распознавания строк текста из серии PP-OCRv4_rec, разработанная командой PaddleOCR. Она принимает изображения отдельных текстовых строк и возвращает распознанный текст; её можно использовать как модуль распознавания в конвейере OCR вместе с обнаружением текста и, при необходимости, коррекцией ориентации или деформации изображения. Модель рассчитана на обычные сценарии распознавания китайского и английского текста, с основным акцентом на китайский. PP-OCRv4 развивает PP-OCRv3: в серии оптимизированы данные, структура сети и стратегия обучения. В метаданных размер и численная архитектура не приведены. Модель распространяется по лицензии Apache-2.0. README отмечает, что оценка точности строки засчитывает её как ошибочную при неверном распознавании хотя бы одного символа, включая пунктуацию. Описанная модель распознаёт текстовые строки, а для полноценного OCR-конвейера нужны дополнительные модули, в частности обнаружение текста.

PP-OCRv4_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv4_rec и предназначена для использования как модуль распознавания в OCR-системах: получает изображение строки и возвращает текст. В полном конвейере PP-OCRv4 этот модуль работает вместе с обнаружением текста и, при необходимости, классификацией ориентации и выравниванием изображений. Модель рассчитана на распознавание китайского и английского текста общего назначения, с основным акцентом на китайский. В PP-OCRv4 по сравнению с PP-OCRv3 оптимизированы данные, структура сети и стратегия обучения для модулей обнаружения и распознавания. Метаданные указывают библиотеку PaddleOCR и задачу image-to-text. Лицензия — Apache 2.0. В README не приведены размер модели и длина контекста; качество распознавания отдельной строки зависит от изображения и может быть недостаточным для сложных документов без полного OCR-конвейера.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для извлечения текста из уже выделенных строк или фрагментов изображения и может использоваться как модуль распознавания в OCR-конвейерах для документов, экранов и промышленных изображений. Модель построена на LCNetV4 с прямой проекцией reshape и многоголовочным декодером CTC+NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; карточка указывает английский и китайский. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека PaddleOCR. Компактный размер подходит для сценариев, где важны лёгкое развёртывание и распознавание текста в разнообразных визуальных условиях. Это модель распознавания текста, а не полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться отдельные компоненты. Лицензия — Apache-2.0.

RT-DETR-L_wireless_table_cell_det_onnx — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она предназначена для модуля распознавания таблиц: находит области отдельных ячеек и формирует ограничивающие рамки, которые затем могут использоваться в последующих этапах анализа структуры и содержимого таблицы. Разработчик — команда PaddlePaddle; модель интегрируется с PaddleOCR и поддерживает запуск через ONNX Runtime. Модель основана на RT-DETR-L, имеет размер около 124 МБ и предназначена для обработки изображений. В README указаны языки en и zh, однако для самого обнаружения ячеек языковая поддержка напрямую не характеризуется. Заявленная Top-1 accuracy составляет 82,7%; время инференса — 35 мс в обычном режиме и 10,45 мс в высокопроизводительном режиме на GPU, а на CPU — 495,51 мс. Эти показатели относятся к совместному тестированию с RT-DETR-L_wired_table_cell_det. Модель подходит для автоматического выделения ячеек в изображениях таблиц перед их распознаванием. Ограничения включают отсутствие в README сведений о размере контекста, точном наборе данных, поддерживаемых форматах изображений и качестве на отдельных типах таблиц. Модель распространяется по лицензии Apache-2.0.

Ming-Lite-Omni — мультимодальная модель от InclusionAI, дообученная на Ling-lite. Она использует архитектуру MoE с маршрутизаторами для разных модальностей и выделенными энкодерами. По данным разработчика, активируется 2,8 млрд параметров; модель объединяет обработку изображений, текста, аудио и видео, а также генерацию текста, речи и изображений. Она предназначена для мультимодального диалога, распознавания и понимания речи, преобразования текста в речь, анализа изображений и видео, генерации и редактирования изображений. Модель подходит для приложений, где нужно принимать смешанные мультимодальные запросы и формировать текстовые, речевые или визуальные ответы без отдельных моделей для каждой задачи. README приводит результаты оценок на задачах понимания изображений, видео и речи, а также генерации изображений. Контекст, поддерживаемые языки и ограничения качества в предоставленных источниках не описаны. Лицензия — MIT.

MGP-STR base — модель распознавания текста на изображениях, разработанная Alibaba DAMO Academy. Это чисто зрительная архитектура на основе Vision Transformer (ViT) с модулями A³ и головами предсказания символов, подслов и слов; предсказания объединяются для распознавания текста. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для OCR и распознавания текста в изображениях, в частности для scene text recognition. Она обучена на синтетических наборах MJSynth и SynthText. В основе ViT использованы веса DeiT-base, кроме слоя встраивания патчей; входное изображение имеет размер 32×128. Карточка не сообщает о поддержке нескольких языков или о длине контекста. Модель можно использовать для распознавания текста без дополнительной настройки; для прикладных задач README предлагает искать дообученные версии. Ограничение — обучение описано на синтетических данных, поэтому качество на реальных изображениях и вне этого распределения не гарантируется. Лицензия в предоставленных данных не указана.

Это дообученная модель Table Transformer для обнаружения объектов в изображениях таблиц. Она создана на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e5_dec1e4_bs8 и опубликована nsugianto. Модель предназначена для поиска элементов таблиц; карточка не уточняет набор обнаруживаемых классов и обучающие данные. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и распространяется в формате safetensors. Контекст указан как 1024 токена, хотя для задачи обнаружения объектов важнее обработка изображения. Лицензия — MIT. Язык данных и конкретные ограничения качества не описаны.