I.8Изображения и компьютерное зрение

Veritone/siglip2-so400m-patch16-384-text — текстовая башня SigLIP 2 So400m, подготовленная Google и опубликованная Veritone как отдельная копия текстового компонента модели. Она кодирует текстовые запросы в общее пространство эмбеддингов с соответствующей моделью зрения Veritone/siglip2-so400m-patch16-384-vision, чтобы выполнять поиск по изображениям и классификацию изображений по текстовым меткам. Раздельная загрузка башен позволяет использовать только нужный компонент при поиске и экономить память и время загрузки. Модель предназначена для zero-shot-классификации изображений и поиска соответствий между изображениями и текстом; её текстовые эмбеддинги также подходят как компонент мультимодальных систем. Архитектура — SigLIP 2 So400m, библиотека Transformers, веса в формате safetensors. Контекст ограничен 64 токенами. Модель распространяется по лицензии Apache-2.0. Для сопоставления с изображениями требуется совместимая башня зрения; сама эта копия содержит только текстовую башню и не принимает изображения.

TFT-ID-1.0 — модель обнаружения объектов, созданная Yifei Hu на основе дообучения контрольных точек microsoft/Florence-2. Она принимает изображение одной страницы научной статьи и находит на нём таблицы, рисунки и текстовые разделы, возвращая для каждого элемента ограничивающую рамку и метку класса. Модель предназначена для анализа страниц академических публикаций и подготовки их к последующей обработке: найденные текстовые области можно передавать в OCR, а таблицы и рисунки — использовать для извлечения структуры документа. По README, обучение проводилось на статьях из Hugging Face Daily Papers с более чем 36 тысячами вручную размеченных рамок; автор сообщает о точности 96,78% на задаче поиска всех трёх типов областей и 98,84% для таблиц и рисунков на тестовых страницах. Репозиторий содержит веса в формате Safetensors, лицензия — MIT. Модель ориентирована на страницы научных статей; тестирование описано на публикациях, связанных с Hugging Face Daily Papers, поэтому качество на других типах документов не подтверждено. Для распознавания текста и преобразования его в Markdown или LaTeX потребуется отдельная OCR-модель.

Модель harisali9211/trocr-large-printed-e13b_tesseract_MICR_ocr_with_character — дообученная версия microsoft/trocr-large-printed для распознавания текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для сценариев OCR; название указывает на обработку печатных символов и MICR, однако README не раскрывает подробностей датасета и целевых форматов документов. В оценке на неизвестном наборе данных указаны Loss 0,1742 и CER 0,0032. Модель принимает изображение и выдаёт текст. Она основана на крупной TrOCR-модели, предназначенной для распознавания печатного текста на изображениях строк. Карточка не сообщает о поддерживаемых языках или ограничениях применения. Лицензия в предоставленных данных не указана.

Это модель классификации видео на основе VideoMAE Large, разработанная автором репозитория sangdeptraivcl. Она является дообученной версией sangdeptraivcl/videomae-large-finetuned-ucf101-subset; указанный датасет дополнительного дообучения неизвестен. Модель предназначена для отнесения видео к категориям по содержимому. Веса опубликованы в формате Safetensors, размер модели составляет около 402,7 млн параметров. Модель принимает видео и выдаёт метки классов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Карточка не сообщает набор классов, параметры видеовхода или результаты оценки, поэтому пригодность для конкретных категорий и качество предсказаний следует проверять отдельно.

Это дообученная модель YOLOv11m от автора erayyapagci для обнаружения и выделения блоков вопросов в турецких учебных PDF-документах. Она предназначена для обработки экзаменационных сборников, тестов и рабочих листов, в том числе для последующей обрезки найденных вопросов и передачи их в OCR. Модель имеет один класс — question — и рассчитана на изображения страниц с разрешением 1280 × 1280; базовая архитектура — YOLOv11m Ultralytics, размер около 20 млн параметров. README сообщает точность 0,971 и mAP@50 0,716. Лучше всего модель подходит для плотных тестовых страниц с двумя колонками и вопросами с вариантами ответа. Она может применяться и к одноколоночным заданиям с графикой, но качество таких результатов менее надёжно. Возможны объединение заголовка страницы с первым вопросом, пропуск открытых вопросов без маркеров вариантов ответа и ошибки на нестандартной или перекрывающейся вёрстке. Для снижения ложных срабатываний рекомендуется проверять обрезанные области с помощью OCR и подбирать порог уверенности примерно 0,3–0,4. Лицензия — MIT.

Qwen3-VL-30B-A3B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Репозиторий содержит отдельно веса языковой модели и vision encoder в форматах FP16, Q8_0 и Q4_K_M для языковой части и FP16, Q8_0 для vision encoder. Модель предназначена для запуска через llama.cpp, Ollama и другие инструменты, поддерживающие GGUF, на CPU, NVIDIA GPU, Apple Silicon, Intel GPU и совместимом оборудовании. Модель работает с текстом и визуальными данными, включая изображения и видео. Она предназначена для понимания и генерации текста, визуального восприятия и рассуждений, OCR, анализа документов, пространственного анализа, распознавания объектов, видеоаналитики, визуального программирования, генерации Draw.io/HTML/CSS/JS по изображениям и взаимодействия с графическими интерфейсами и инструментами. Заявлена поддержка контекста 256K токенов с возможностью расширения до 1M, а OCR поддерживает 32 языка. Архитектурные особенности включают Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками для улучшения анализа изображений и видео. К сильным сторонам относятся мультимодальное рассуждение, обработка длинного контекста, понимание пространственных отношений и видеодинамики, расширенное OCR и возможность выбора точности компонентов в зависимости от оборудования. Ограничения связаны с требованиями к памяти и вычислительным ресурсам, которые зависят от выбранной точности и конфигурации, а также с необходимостью использовать актуальную версию совместимого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

cyankiwi/Qwen3-VL-32B-Instruct-AWQ-4bit — 4-битная квантованная версия мультимодальной модели Qwen3-VL-32B-Instruct. Базовую модель разработала команда Qwen, а данную сборку подготовил Ton Cao. Модель предназначена для генерации текста по изображениям и тексту, визуального анализа, распознавания текста на изображениях, понимания видео, пространственного рассуждения, мультимодального решения задач и взаимодействия с графическими интерфейсами. Она также ориентирована на визуальное программирование и может генерировать Draw.io, HTML, CSS и JavaScript по изображениям или видео. Модель имеет плотную архитектуру с 32 миллиардами параметров и поддерживает текстово-визуальные входы. Заявлены контекст длиной 256K токенов с возможностью расширения до 1M, анализ продолжительных видео, индексация событий по времени и OCR для 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE для обработки временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками. Квантование выполнено методом AWQ до INT4 с размером группы 32 на основе датасета FineVision с использованием llm-compressor. Сильные стороны модели — широкий набор визуальных и текстовых возможностей, работа с длинным контекстом, видео, документами, пространственными отношениями и агентными сценариями при сниженных требованиях к памяти благодаря INT4-квантованию. Ограничения включают возможную потерю качества по сравнению с полноразмерной моделью, а также высокие вычислительные требования, связанные с исходным размером 32B и мультимодальной обработкой. В README не указаны полный перечень поддерживаемых языков для генерации, точные системные требования и результаты численных тестов. Модель распространяется по лицензии Apache-2.0.

nakedlittlezombie/Qwen3-VL-8B-Thinking-heretic — мультимодальная модель класса image-text-to-text из семейства Qwen3-VL, разработанная командой Qwen; данный репозиторий содержит веса версии Qwen3-VL-8B-Thinking. В README не приведено отдельное описание изменений варианта «heretic» относительно базовой модели. Модель предназначена для совместного понимания и генерации текста по изображениям и видео, визуального восприятия и рассуждений, OCR, анализа документов, STEM- и математических задач, пространственного анализа, генерации Draw.io/HTML/CSS/JS по визуальным материалам, а также взаимодействия с графическими интерфейсами и инструментами. Она может использоваться в сценариях визуальных агентов, анализа длительных видео и многошагового мультимодального вывода. Указан размер 8B параметров и Thinking-режим с усиленным рассуждением; архитектура заявлена как dense, а модель поддерживает текстовые, графические и видеовходы. Среди архитектурных особенностей названы Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Контекст составляет 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный перечень языков не указан. Сильными сторонами являются визуальное и пространственное рассуждение, обработка длинного контекста, видео и документов, а также агентные сценарии. Ограничения и точные показатели производительности в текстовом виде не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-FP8 — это FP8-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной командой Qwen. Квантование выполнено методом fine-grained FP8 с размером блока 128; согласно README, показатели почти идентичны исходной версии в формате BF16. Модель предназначена для задач image-text-to-text и обработки текста, изображений и видео. Модель ориентирована на визуальное понимание и рассуждение, распознавание текста на изображениях, анализ документов, пространственное восприятие, понимание видеосцен и временных событий, а также взаимодействие с графическими интерфейсами и инструментами. Она может применяться для визуального программирования, генерации Draw.io/HTML/CSS/JS по изображениям и видео, STEM- и математических задач, OCR и агентских сценариев. Заявлена поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Архитектура относится к семейству Qwen3-VL и включает механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Указан нативный контекст 256K с возможностью расширения до 1M, но эти характеристики описаны для поколения Qwen3-VL в целом и не уточнены отдельно для данной 2B-версии. Размер модели — 2B параметров по идентификатору базовой модели. README рекомендует развёртывание через vLLM или SGLang и отмечает, что Transformers пока не поддерживает прямую загрузку этих весов. Модель распространяется по лицензии Apache-2.0.

cmarkea/dit-base-layout-detection — модель cmarkea для анализа структуры страниц документов. Это BEiT-base, дообученная на наборе DocLayNet; модель сегментирует изображение документа по 11 типам элементов: подписи, сноски, формулы, пункты списка, колонтитулы, изображения, заголовки разделов, таблицы, основной текст и заголовки. Модель предназначена для извлечения макета страниц из сканов и изображений документов, в том числе при подготовке документных коллекций для систем ответов на вопросы по документам. Она содержит около 119,5 млн параметров и выдаёт семантическую сегментацию; из масок сегментации можно получить ограничивающие рамки элементов. В опубликованной оценке на страницах DocLayNet приведены F1 90,77, GIoU 56,29 и точность классов рамок 85,26; для DETR-варианта cmarkea в той же таблице показатели рамок выше. Модель принимает изображения и выдаёт разметку областей документа. Лицензия — Apache-2.0. Результаты обнаружения рамок приведены для простого преобразования масок через OpenCV findContours без дополнительной постобработки, поэтому точность рамок может зависеть от последующей обработки.

Qwen3-VL-8B-Thinking — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen; этот репозиторий содержит её веса. Модель принимает изображения и текст, поддерживает диалог и интерфейс вызова инструментов, а режим Thinking предназначен для задач, требующих рассуждений. Архитектура — Qwen3VLForConditionalGeneration, веса доступны в формате safetensors; модель использует библиотеку Transformers. Модель предназначена для визуальных вопросов и ответов, распознавания текста и структуры документов, анализа видео и временных событий, пространственных рассуждений, STEM-задач и управления графическими интерфейсами с помощью инструментов. Также она может генерировать код интерфейсов Draw.io и HTML/CSS/JS по изображениям или видео. В README заявлен контекст 256K токенов с возможностью расширения до 1M и OCR на 32 языках; эти характеристики относятся к описанию семейства Qwen3-VL. Лицензия — Apache-2.0. README не приводит отдельных результатов бенчмарков для этой версии 8B; заявленные возможности и качество следует считать характеристиками из карточки разработчика, а эффективность на конкретных задачах может зависеть от входных данных и конфигурации запуска.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen и представленная в виде репозитория весов. Она принимает изображения и текст и формирует текстовые ответы; версия Thinking предназначена для задач, где требуется визуальное и логическое рассуждение. Модель работает через библиотеку Transformers, поддерживает диалог и интерфейс вызова инструментов. Контекст составляет 256 тысяч токенов с возможностью расширения до 1 миллиона. Модель предназначена для распознавания и анализа изображений, OCR, понимания видео, пространственных вопросов, STEM-задач и взаимодействия с графическими интерфейсами. README также описывает генерацию разметки Draw.io и кода HTML/CSS/JS по изображениям и видео. Среди заявленных особенностей — обработка временных меток в видео, распознавание текста на 32 языках и объединение визуальной и текстовой информации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Размер модели — 4 млрд параметров. Это компактная плотная модель, однако для обработки изображений, видео и длинного контекста нужны соответствующие вычислительные ресурсы. В карточке не приведены количественные результаты бенчмарков; заявленные возможности не заменяют проверку качества на конкретных данных и сценариях.

Microsoft DiT base — модель классификации изображений документов на архитектуре трансформера-энкодера BEiT. Она предварительно обучена на 42 миллионах изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тысячах изображений в градациях серого, размеченных по 16 классам. В модели около 119,5 млн параметров. Модель предназначена для отнесения изображения документа к классу, а также может использоваться для извлечения векторных признаков документов и дообучения для задач анализа макета или обнаружения таблиц. Изображение разбивается на патчи 16×16, которые обрабатывает трансформер-энкодер. Карточка не указывает лицензию; условия использования следует проверить в репозитории модели.

PP-OCRv5_server_rec_safetensors — команда PaddleOCR разработала эту модель для распознавания текста в отдельных строках изображения. Она относится к семейству PP-OCRv5 и предназначена для сценариев, где нужна точная расшифровка печатного или рукописного текста, в том числе вертикального и искажённого. Модель рассчитана на упрощённый и традиционный китайский, английский и японский языки. В карточке приведены показатели для печатного и рукописного текста, древних текстов, пиньиня, поворотов, искажений и художественного текста; средний показатель по описанному набору сценариев — 0,8401. Метрика считает строку ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Репозиторий содержит веса в формате safetensors и использует библиотеку PaddleOCR. Лицензия — Apache-2.0.

Document Image Transformer (DiT) base — модель Microsoft для анализа изображений документов. Это энкодер Transformer с архитектурой, идентичной BEiT; версия base содержит 119,5 млн параметров. Модель предварительно обучена на 42 млн изображений документов из IIT-CDIP с самоконтролируемой задачей предсказания визуальных токенов для замаскированных участков изображения. DiT преобразует изображения документов в признаки и предназначена прежде всего для дообучения под прикладные задачи: классификацию документов, обнаружение таблиц и анализ структуры страницы. Для непосредственного использования модель может кодировать изображения документов в векторное пространство. Веса доступны в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

DocumentFigureClassifier — модель классификации изображений из проекта Docling, дообученная на базе Google EfficientNet-B0. Она относит изображение к одной из 16 категорий: типы диаграмм и графиков, штрихкод, QR-код, химические структуры, блок-схема, значок, логотип, карта, снимок дистанционного зондирования, скриншот, подпись, печать или прочее. Модель предназначена для распознавания визуальных элементов в документах и может использоваться как этап предварительной обработки при разборе документов, чтобы определить тип изображения и направить его на дальнейшую обработку. Это компактная свёрточная архитектура для классификации изображений; модель принимает изображение и выдаёт метку класса. В репозитории указаны веса safetensors. Лицензия — MIT.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. 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.

hezarai/crnn-base-fa-v2 — модель оптического распознавания персидского текста, разработанная Hezarai. Она основана на архитектуре CRNN: сверточная нейросеть извлекает признаки изображения, а LSTM обрабатывает последовательность символов. Модель предназначена для распознавания печатного текста на сканированных документах и изображениях; для полного OCR-конвейера её следует применять после детектора текстовых областей. По сравнению с предыдущей версией использует датасет в пять раз больше, принимает изображения размером 32×384 и поддерживает вывод длиной до 96 символов. Обрабатывает цифры и специальные символы, а также автоматически учитывает символы слева направо, например цифры внутри персидского текста. Лучше всего работает с фрагментами текста длиной примерно до 50 символов. Модель можно дообучать для других областей, включая номера автомобилей и рукописный текст. Опубликована под лицензией Apache-2.0.

Это версия модели распознавания текста PP-OCRv6 medium, подготовленная автором mikoy92 для запуска с библиотекой MLX и mlx-vlm. Она принимает изображения и распознаёт содержащийся на них текст; базовая модель разработана PaddlePaddle. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0. Модель рассчитана на распознавание текста на изображениях, а не на генерацию или перевод текста.

mikoy92 подготовил MLX-конверсию компактной модели PP-OCRv6-tiny для распознавания текста на изображениях. Модель предназначена для чтения текста с изображений в OCR-конвейерах; пример в карточке показывает обработку изображения и получение распознанной строки через `mlx-vlm`. В метаданных указаны английский и китайский языки, архитектурное семейство `pp_ocrv6_tiny_rec` и формат Safetensors. Модель основана на `PaddlePaddle/PP-OCRv6_tiny_rec_safetensors` и распространяется по лицензии Apache-2.0. Она принимает изображения и возвращает текст. Карточка не описывает точность, размер контекста или ограничения по типам изображений; для запуска показана библиотека MLX и `mlx-vlm`.

Xoron-Dev-MultiMoe — мультимодальная модель семейства Xoron, опубликованная командой Xoron-Dev и представленная в репозитории Backup-bdg. В метаданных указаны архитектура MoE, 256,5 млн параметров, библиотека Transformers и контекст до 131 072 токенов. README заявляет обработку текста, изображений, видео и аудио, а также генерацию изображений, видео и речи. Для изображений описаны SigLIP-2 и сжатие TiTok, для видео — VidTok с обработкой до 32 кадров, для аудио — обработка сырого PCM и голосовой синтез. Модель позиционируется для мультимодального диалога, понимания визуального и аудиовизуального содержимого, работы с речью, генерации медиа и агентных сценариев с использованием инструментов. Среди заявленных характеристик — разреженная смесь экспертов и контекстное окно 128K. README также заявляет клонирование голоса по короткому образцу, но не приводит независимых оценок качества; описанные возможности и показатели следует считать заявлениями автора. Лицензия репозитория — MIT. В метаданных основной задачей указана генерация текста, тогда как авторский pipeline-тег — any-to-any; для каталога основной задачей выбрана any-to-any, поскольку карточка описывает модель для мультимодального ввода и вывода.

ZwZ-7B — мультимодальная модель восприятия изображений, разработанная inclusionAI на базе Qwen2.5-VL-7B-Instruct. Она дообучена с помощью дистилляции Region-to-Image и обучения с подкреплением, чтобы точнее распознавать мелкие детали на изображении за один проход, без увеличения отдельных областей во время вывода и без вызова инструментов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые запросы, выдавая текстовые ответы. Контекст — до 128 000 токенов; в карточке указан английский язык. Модель предназначена для визуальных вопросов и ответов, подсчёта объектов, OCR, определения цветов и структурных или материальных характеристик, а также идентификации объектов. По заявлению авторов, она показывает высокие результаты среди открытых моделей на базе Qwen2.5-VL-7B в задачах детального восприятия. Для общего мультимодального понимания в некоторых случаях предпочтительнее базовая модель; для изображений очень высокого разрешения важно подходящее предварительное преобразование. Лицензия — Apache 2.0.

PP-OCRv5_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в поколение PP-OCRv5 и используется как модуль распознавания в OCR-конвейерах PaddleOCR, включая PP-OCRv5 и PP-StructureV3. Одна модель поддерживает упрощённый и традиционный китайский, английский и японский языки, а также сложные случаи: рукописный и вертикальный текст, пиньинь, редкие символы, повёрнутые и искажённые строки, художественное оформление текста. README приводит метрики для печатного и рукописного текста и других сценариев; в среднем указано 0,8401 при оценке строки как неверной, если в ней ошибочен хотя бы один символ. Модель предназначена для распознавания текста в строках изображения и выдаёт текст. Для полноценного извлечения текста из документов её объединяют с обнаружением текста и, при необходимости, модулями ориентации, коррекции и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

conjuncts/ditr-e15 — модель обнаружения объектов из экосистемы Transformers, опубликованная пользователем или организацией conjuncts. В метаданных она также помечена как table-transformer, поэтому ориентирована на задачи обнаружения элементов таблиц на изображениях или в документах. Модель содержит около 6,3 млн параметров и предназначена для использования через библиотеку Transformers. Её можно применять как компонент систем анализа документов, извлечения структуры таблиц и последующей обработки найденных областей. README не содержит сведений о разработчиках, лицензии, обучающих данных, поддерживаемых языках, архитектуре, длине контекста, метриках качества или ограничениях применения. Поэтому перед использованием в production необходимо отдельно проверить лицензионные условия, качество на целевых документах и устойчивость к различным форматам таблиц.

Mharbulous/moondream2-syncopaid — это репозиторий модели Moondream, небольшой модели компьютерного зрения и языка, рассчитанной на эффективный запуск на разных устройствах. Карточка описывает выпуски Moondream и улучшения в понимании диаграмм, документов, таблиц, экранов и текста на изображениях. Модель принимает изображение и текстовый запрос, а отвечает текстом; поддерживает также распознавание текста, описание изображений, подсчёт объектов, поиск объектов и открытое тегирование изображений. Репозиторий содержит файлы в форматах safetensors и GGUF F16. В качестве задач Hugging Face указаны image-text-to-text и text-generation; для работы с изображениями основная задача — image-text-to-text. Лицензия — Apache-2.0. В карточке указано имя семейства moondream1, при этом README называет модель Moondream. Для репозитория не приведены сведения о конкретной базовой модели, числе параметров, контекстном окне и поддерживаемых языках. README рекомендует фиксировать revision в производственных приложениях, поскольку модель часто обновляется; в заметках также отмечены улучшения точности распознавания текста и обнаружения объектов.

PaliGemma 2 28B PT 224 — разработанная Google базовая модель компьютерного зрения и языка на основе компонентов SigLIP и Gemma 2. Она принимает изображение с текстовым запросом и генерирует текст; веса рассчитаны на изображения 224×224 и последовательности до 128 текстовых токенов на входе и выходе. Модель доступна в формате bfloat16 для дообучения и предназначена прежде всего как основа для настройки под конкретные задачи. После дообучения её можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — анализ снимков дистанционного зондирования, ответы на визуальные вопросы для незрячих пользователей, научные вопросы и объяснение функций элементов интерфейса. Поддерживаются несколько языков, но карточка не перечисляет их поимённо. Модель рассчитана на один раунд взаимодействия с изображением и текстом, а не на многоходовый диалог. Без настройки под задачу её результаты могут уступать моделям общего назначения; возможны фактические ошибки, слабое понимание сложных или неоднозначных инструкций и предвзятые ответы. Лицензия — Gemma; при использовании необходимо соблюдать условия Gemma и её политику запрещённых применений.

Xenova/trocr-small-printed — веб-совместимая версия модели microsoft/trocr-small-printed, подготовленная с весами в формате ONNX для работы через Transformers.js. Модель предназначена для распознавания печатного текста на изображениях и преобразования его в текст, поэтому подходит для сценариев OCR в браузерных и JavaScript-приложениях. Из доступных данных известно, что модель относится к семейству TrOCR и имеет вариант small; поддерживает задачу image-to-text и распространяется с ONNX-весами. Сведения о точной архитектуре, количестве параметров, поддерживаемых языках, размере контекста и конкретных показателях качества в карточке не указаны. Лицензия также не указана; условия использования следует уточнять в исходном репозитории microsoft/trocr-small-printed.

Felix92/doctr-torch-crnn-mobilenet-v3-large-french — модель распознавания текста на изображениях, основанная на CRNN с энкодером MobileNetV3-Large и предназначенная для использования с библиотекой docTR. Карточка позиционирует её как OCR-модель; метаданные указывают форматы PyTorch и задачу image-to-text. Модель подходит для извлечения текста из изображений и документов. В названии указана специализация на французском языке, а метаданные также отмечают английский и многоязычную поддержку. Сведений о размере, длине контекста и лицензии в предоставленных источниках нет.

PP-OCRv6_small_rec_onnx — модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: извлечения текстового содержимого из изображений и последующего преобразования его в текст. Модель распространяется в формате ONNX и ориентирована на распознавание английского и китайского языков. В README заявлено семейство PP-OCRv6, однако точная архитектура, количество параметров, размер контекста и другие детальные характеристики именно этой версии не указаны. Название small указывает на компактный вариант, но его размер в параметрах также не приведён. Модель может использоваться в прикладных OCR-сценариях, где требуется автоматическое распознавание текста на изображениях. Сильными сторонами являются специализированная направленность на OCR, поддержка английского и китайского языков и формат ONNX, удобный для интеграции с совместимыми средами выполнения. Ограничения связаны с отсутствием в предоставленных данных подробностей о точности, поддерживаемых типах изображений и производительности. Модель распространяется по лицензии Apache 2.0.

mlx-community/Qwen3-VL-Embedding-2B-8bit — мультимодальная модель для получения эмбеддингов, опубликованная сообществом mlx-community. По README, она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm 0.1.0; метаданные связывают её с Qwen/Qwen3-VL-2B-Instruct как с базовой моделью. Архитектура относится к семейству Qwen3-VL, размер базовой модели — 2B параметров. Модель предназначена для извлечения векторных представлений мультимодальных данных, в частности для поиска и сопоставления текста и изображений. Репозиторий подготовлен для использования с mlx-embeddings. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки, длину контекста и конкретные метрики качества эмбеддингов. Поскольку README указывает преобразование из исходной embedding-модели, а каталог связывает репозиторий с Qwen3-VL-2B-Instruct как finetune, точная цепочка происхождения неоднозначна.