II.8Инженерия данных и аналитика

CodeLlama 13B Python — языковая модель Meta, специализированная на генерации программного кода, представленная в формате GGUF и квантованная TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; исходная версия доступна как CodeLlama 13B Python в формате Hugging Face. Модель предназначена для решения задач программирования по текстовому описанию: генерации кода с учётом ограничений, прохождения примеров тестов и помощи в разработке. В README приведён шаблон запроса для таких задач. Модель работает с текстом и кодом, однако конкретный набор естественных языков, максимальный размер контекста и другие параметры не указаны. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит для инференса на CPU и GPU; конкретные характеристики качества, скорости и требований к памяти зависят от выбранного варианта. Квантование может сопровождаться компромиссом между эффективностью и точностью, а README не содержит подробной оценки ограничений модели. Лицензия указана как llama2.

CodeLlama-34b-Python-hf — авторегрессионная плотная языковая модель семейства Code Llama, разработанная Meta и представленная в формате Transformers. Это Python-специализированный вариант с 33,5 млрд параметров и контекстом до 16 384 токенов; модель принимает текст и генерирует текст. Она предназначена для автодополнения, синтеза и понимания кода на Python, а также может применяться в общих задачах генерации кода. Модель не предназначена для диалогового следования инструкциям. Использование регулируется лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением модель следует проверять и адаптировать к конкретному сценарию.

Code Llama 7B Instruct — авторегрессионная языковая модель семейства Code Llama, разработанная Meta и настроенная на выполнение инструкций. Эта версия содержит 7 млрд параметров и распространяется в формате Transformers с весами PyTorch и Safetensors. Модель предназначена для генерации и понимания кода: она поддерживает продолжение кода, заполнение пропусков и диалоговое выполнение инструкций, в том числе сценарии кодового помощника. На вход принимает текст и выдаёт текст; предназначена для работы с английским языком и языками программирования. Архитектура — оптимизированный авторегрессионный трансформер. Модель может выдавать неточный или нежелательный код и ответы; перед внедрением в приложения рекомендуется проверять её поведение и настраивать защитные меры под конкретный сценарий. Использование регулируется лицензией Meta Llama 2; условия лицензии следует соблюдать.

DeepSeek-Coder-V2-Lite-Base — базовая модель для генерации кода от DeepSeek. Она создана продолжением предобучения промежуточного чекпойнта DeepSeek-V2 на дополнительных 6 триллионах токенов. Модель использует архитектуру Mixture-of-Experts семейства DeepSeek-V2: в репозитории каталога указано 2,5 млрд параметров, а карточка семейства указывает для Lite-версии 16 млрд общих и 2,4 млрд активных параметров. Контекст модели по метаданным — 163 840 токенов. Модель предназначена для генерации и продолжения кода, вставки фрагментов кода, а также задач программирования и математических рассуждений. Семейство поддерживает 338 языков программирования; естественные языки в карточке не перечислены. К сильным сторонам относятся большой контекст и специализация на коде при сравнительно небольшом числе активных параметров. Это базовая, а не instruct-версия, поэтому её поведение в диалоге и следование инструкциям могут быть ограничены. Для локального инференса в BF16 README приводит требование 8 GPU по 80 ГБ. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией в репозитории.

Dolphin 2.9.1 Mixtral 1x22b — чат-модель, подготовленная Эриком Хартфордом, Лукасом Аткинсом, Фернандо Фернандесом и Cognitive Computations. Она основана на Mixtral-8x22B-v0.1 и прошла полное дообучение всех слоёв; в карточке указано 22 млрд параметров. Модель представляет собой извлечённый эксперт, полученный объединением SLERP экспертов исходной архитектуры Mixtral. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и выполнения инструкций, помощи с программированием, начального уровня агентных задач и вызова функций. Контекст базовой модели составляет 64 тыс. токенов, а дообучение проводилось с длиной последовательности 16 тыс. токенов. В качестве обучающих данных использовались, среди прочего, наборы Dolphin-2.9, OpenHermes-2.5 и датасеты для кода, математики и вызова функций. Модель описана авторами как uncensored и может с высокой готовностью выполнять запросы, в том числе небезопасные; перед предоставлением её пользователям авторы рекомендуют добавить собственный слой выравнивания. Язык карточки и метаданных — английский.

Dolphin 2.9 Mixtral 8x22B — диалоговая модель Cognitive Computations, подготовленная Eric Hartford, Lucas Atkins и Fernando Fernandes на основе mistral-community/Mixtral-8x22B-v0.1. Это дообученная модель с разреженной архитектурой Mixtral MoE, представленная в формате safetensors и предназначенная для генерации текста по инструкциям и ведения диалогов. Модель подходит для ответов на вопросы, программирования, математических задач и сценариев с вызовом функций; README также отмечает начальные агентные возможности. Она обучалась в формате ChatML, а полное дообучение проводилось на последовательностях длиной 4 тыс. токенов. Для базовой модели заявлен контекст до 64 тыс. токенов. В метаданных указан английский язык. Dolphin описана авторами как неконтролируемая модель, которая может охотно выполнять в том числе неэтичные запросы; перед предоставлением пользователям сервиса авторы рекомендуют добавить собственный слой ограничений. В данных обучения обнаружена проблема, из-за которой модель может излишне упоминать системное сообщение; README предлагает явно просить её этого не делать. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий.

qinxianliu/FAB-Ramy-v1 — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Векторное представление получается усреднением токенов с последующей нормализацией; для сравнения используется косинусное сходство. Модель содержит 136,7 млн параметров, работает с последовательностями до 514 токенов по метаданным Hugging Face; в карточке README указан предел 384 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

FingUEm_V3 — модель Sentence Transformer, дообученная FINGU-AI на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она кодирует предложения и абзацы в плотные векторы размерностью 1536 для сравнения текстов по косинусному сходству. Архитектура использует Qwen2, pooling по последнему токену и нормализацию; размер модели — 1,5 млрд параметров. Метаданные указывают контекст до 131 072 токенов, тогда как карточка описывает максимальную длину последовательности 8192 токена. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Её можно применять для построения векторного поиска и группировки текстовых коллекций. В карточке не указаны языки обучения или специализированные предметные области. Лицензия в предоставленных данных не приведена.

granite-20b-code-instruct-IMat-GGUF — это GGUF-квантизированная версия модели granite-20b-code-instruct, разработанной IBM (ibm-granite) и подготовленной пользователем legraphista. Модель предназначена для генерации и объяснения программного кода, исправления ошибок, работы с инструкциями, математическими задачами, SQL и сценариями function calling. Указаны варианты квантования от 1 до 16 бит, включая конфигурации с IMatrix, оптимизированные для запуска через llama.cpp. Модель содержит около 20 млрд параметров и основана на исходном формате BF16. В README не указаны точная архитектура, максимальная длина контекста и полный перечень поддерживаемых языков, однако результаты оценки приведены для Python, JavaScript, Java, Go, C++, Rust и демонстрируют применимость к генерации, объяснению и исправлению кода. В тестах HumanEvalSynthesis показатель pass@1 составил от 42,1 до 60,4% в зависимости от языка; значения не верифицированы. Ключевое преимущество версии — возможность выбирать баланс между качеством, размером файла и требованиями к памяти благодаря множеству вариантов квантования и применению IMatrix. Ограничения связаны с потерями качества при низкой разрядности, отсутствием подробных сведений о контексте и мультимодальности, а также с тем, что приведённые метрики не подтверждены. Модель распространяется по лицензии Apache 2.0.

Granite-8B-Code-Instruct-128K — языковая модель для программирования, разработанная IBM Research. Это плотная decoder-only модель семейства Llama с 8,1 млрд параметров, дообученная на базе ibm-granite/granite-8b-code-base-128k. Модель принимает текстовые инструкции и код, поддерживает контекст до 128 000 токенов и выдаёт текст. Модель предназначена для генерации и объяснения кода, а также для создания программных помощников, работающих с длинным контекстом, например с содержимым репозитория. Обучение сочетает короткие и длинные примеры, чтобы поддерживать задачи на уровне нескольких файлов и сохранять возможности при коротких запросах. В обучающие данные входили наборы для программирования, математики, SQL и диалогов с помощником. Модель выпущена IBM Research 18 июля 2024 года и распространяется по лицензии Apache 2.0. Авторы не рекомендуют применять её в новых проектах: для них предназначены более новые модели семейства Granite. Качество может быть ниже для языков программирования, слабо представленных в обучении; перед использованием в критических приложениях рекомендуется проверка безопасности и настройка под целевую задачу.

GreenNode/GreenNode-Embedding-E5-Large-VN-V1 — sentence-transformers-модель на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 1024. Архитектура включает трансформер, pooling по CLS-токену и нормализацию; сходство векторов рекомендуется измерять косинусной близостью. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Метаданные указывают на поддержку задач извлечения признаков и оценки сходства предложений, но карточка не называет языки обучения или целевое языковое покрытие, поэтому в описании не предполагается конкретный язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Карточка модели Koat/gte-tiny на Hugging Face совпадает с карточкой TaylorAI/gte-tiny, поэтому описание составлено по ней. TaylorAI/gte-tiny — компактная модель эмбеддингов предложений на базе архитектуры BERT, представленная как sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из thenlper/gte-small; README сообщает о сопоставимом, немного более низком качестве при примерно вдвое меньшем размере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов. Модель подходит для построения векторного поиска по документам, группировки похожих текстов и оценки семантической близости. Доступны веса PyTorch и safetensors, а также формат ONNX. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не указаны.

adidsh/indic-ocr-int8-onnx — созданная сообществом производная модели Indic-OCR от Bodhan AI / AI4Bharat, представленная в форматах ONNX и GGUF и предназначенная для локального распознавания и разбора документов. Она использует двухэтапный конвейер: RT-DETR находит и классифицирует области документа, затем визуально-языковая модель распознаёт текст в этих областях, сохраняя порядок чтения, переносы строк и структуру таблиц. Модель рассчитана на автономную работу с документами на английском и 22 индийских языках, в том числе на устройствах с CPU и без серверного GPU. Квантизированные варианты уменьшают размер и ускоряют выполнение; в README приведены результаты замеров на CPU x86_64 с AVX2. Указанная в карточке лицензия — other; README называет лицензию исходной модели Indic Open Model License v1.0 и требует атрибуции Bodhan AI / AI4Bharat.

LayoutLMv3-base-finetuned-funsd — модель Microsoft, дообученная на наборе FUNSD для извлечения и классификации информации в формах и документах. Она принимает текстовые токены с данными о расположении и изображение документа, а для токенов предсказывает метки. Модель основана на архитектуре LayoutLMv3 и содержит 151,8 млн параметров; нативная длина контекста — 514 токенов. На тестовой выборке FUNSD модель достигла F1 90,59. Она подходит для извлечения полей и классификации элементов в формах, где важны и текст, и его расположение на странице. Весы опубликованы в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

QuantFactory/Llama3.1-8B-Fireplace2-GGUF — квантизированная версия языковой чат-модели ValiantLabs/Llama3.1-8B-Fireplace2, созданная с использованием llama.cpp. В основе лежит Llama 3.1 8B Instruct; модель предназначена для генерации текста и диалогового взаимодействия на английском языке. Дата исходного выпуска Fireplace 2 — 23 июля 2024 года. Модель ориентирована на обычный чат и техническое ассистирование, а также на формирование структурированных ответов по запросу. Она поддерживает inline function calls, SQL-запросы, JSON-объекты и генерацию примеров визуализации данных с помощью matplotlib, позволяя сочетать обычный текст и структурированные форматы в одном диалоге. Для работы используются формат промптов Llama 3.1 Instruct и специальные маркеры запросов соответствующего типа. Ключевое преимущество модели — расширение возможностей Llama 3.1 8B Instruct функциями для интеграции с инструментами, базами данных и задачами визуализации. GGUF-квантизация и создание через llama.cpp ориентированы на локальный запуск, однако конкретный вариант квантизации, требования к памяти, размер контекста и поддерживаемые форматы файлов в представленном README не указаны. Модель является текстовой и не предназначена для обработки изображений или других мультимодальных данных. Лицензия указана как llama3.1; условия её применения следует уточнять в лицензии исходной модели.

strauss-oak/mdl_bertopic_globo — многоязычная модель эмбеддингов предложений и абзацев, основанная на архитектуре XLM-RoBERTa. Карточка README описывает её как sentence-transformers-модель, преобразующую текст в плотные векторы размерности 768 для кластеризации и семантического поиска. В метаданных указаны 305,2 млн параметров, контекст до 514 токенов, формат safetensors и лицензия Apache-2.0. Модель подходит для поиска близких по смыслу текстов, группировки предложений и абзацев, а также сравнения их семантической близости на множестве языков, включая русский и английский. Для использования через Transformers требуется подходящая операция pooling над контекстными представлениями токенов. В README указано, что модель обучена командой Sentence Transformers; точное происхождение этого репозитория относительно базовой модели отдельно не описано.

Карточка модели SAIFIINDUSTRIES/Nex-N2.5-mini на Hugging Face совпадает с карточкой nex-agi/Nex-N2.5-mini, поэтому описание составлено по ней. Nex-N2.5-mini — разговорная модель семейства агентных моделей Nex-N2.5 от Nex-AGI, основанная на архитектуре Qwen3.5 MoE. Она предназначена для длительных многошаговых задач: работы с компьютером и браузером, выполнения и проверки программ, а также научной и офисной работы. Модель использует визуальную обратную связь для восприятия интерфейсов, проверки результатов и продолжения действий; поддерживает режимы рассуждения и вызов функций. Для запуска автор приводит конфигурацию на двух ускорителях H100 и рекомендует параметры генерации temperature 0.7, top_p 0.95 и top_k 40. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. README описывает мультимодальные возможности семейства и отдельно позиционирует Nex-N2.5-Max как текстовую модель, поэтому точные размер, контекст и перечень входов и выходов именно mini по этим данным установить нельзя.

NuNerZero ONNX — конвертированная в ONNX версия модели NuNER_Zero, размещённая пользователем deepanwa. Это модель распознавания именованных сущностей с нулевым обучением на архитектуре GLiNER: она находит в тексте сущности заданных пользователем типов. Репозиторий предоставляет веса ONNX и файлы токенизатора; запуск предусмотрен через GLiNER и ONNX Runtime. Модель подходит для извлечения заданных типов сущностей и обезличивания текста, в том числе в составе проекта Zink. ONNX-формат рассчитан на эффективный инференс; исходная карточка указывает размер файла модели около 1,85 ГБ. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые языки и длину контекста.

Карточка модели EmperoAI/NVIDIA-Nemotron-Labs-Teacher-STEM на Hugging Face совпадает с карточкой nvidia/NVIDIA-Nemotron-Labs-Teacher-STEM, поэтому описание составлено по ней. NVIDIA-Nemotron-Labs-Teacher-STEM — большая языковая модель NVIDIA из семейства Nemotron 3 Ultra, предназначенная для сложных рассуждений и использования как самостоятельная модель и учитель для генерации синтетических данных и дистилляции. Она дообучена на основе постобученной Nemotron 3 Ultra Student с дополнительной настройкой на рассуждения и обучением с подкреплением; в рецепте также применяется дистилляция с участием нескольких учителей. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, отдельными слоями внимания и Multi-Token Prediction. Она содержит 550 млрд параметров, из которых 55 млрд активны, и поддерживает генерацию текста с контекстом до 262 144 токенов по метаданным Hugging Face. Предназначена для математики, программирования, естественных наук, гуманитарных и общественных дисциплин, ответов на сложные вопросы и работы с инструментами, включая поиск и выполнение кода. Поддерживаются английский, французский, испанский, итальянский, немецкий, японский, корейский, хинди, арабский, китайский, иврит и бразильский вариант португальского. Карточка сообщает о возможности коммерческого и некоммерческого использования; лицензия в метаданных указана как other, поэтому конкретные лицензионные условия следует сверить с репозиторием. Для запуска требуются значительные вычислительные ресурсы и совместимое оборудование.

OpenChat-3.5-0106-128k — диалоговая языковая модель OpenChat, созданная на основе дообученной Mistral-7B-v0.1. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и предназначена для генерации ответов в чате, программирования, общих задач и математических рассуждений. Поддерживает контекст до 131 072 токенов; в README также описан режим оценивания ответов, обозначенный как экспериментальный. Модель рассчитана на текстовый ввод и генерацию текста. README приводит результаты бенчмарков по коду и математике, но не описывает поддерживаемые естественные языки. Веса опубликованы в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

OvisOCR2 — компактная мультимодальная модель ATH-MaaS для разбора страниц документов. Она создана дообучением Qwen/Qwen3.5-0.8B и имеет плотную архитектуру Qwen3.5 с генерацией текста по изображению; размер модели — 0,8 млрд параметров. На вход подаётся изображение страницы, на выходе — представление в Markdown в естественном порядке чтения, включающее текст, формулы, таблицы и визуальные области. Модель предназначена для OCR и сквозного извлечения структуры документов. В отчёте разработчиков указаны результаты 96,58 на OmniDocBench v1.6 и средний балл 75,06 на PureDocBench. Для запуска в README приведён пример с vLLM. Модель распространяется по лицензии Apache-2.0. На разнообразных и сложных документах модель может ошибаться или выдавать неполный результат; разработчики рекомендуют вручную проверять выводы в критически важных сценариях.

Многоязычная модель Sentence Transformers на архитектуре BERT, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства и кластеризации. Обучение с Matryoshka2dLoss поддерживает использование представлений нескольких размерностей, включая 768, 512, 256, 128 и 64; контекст модели составляет 512 токенов, число параметров — 124,3 млн. Модель подходит для многоязычных текстовых коллекций и поиска семантически близких фрагментов. Для сравнения сходства и ранжирования результатов требуется использовать полученные эмбеддинги в соответствующей метрике или поисковом процессе. Лицензия в предоставленных данных не указана.

dbourget/philai-bge-2et-f5 — модель на базе BERT, опубликованная dbourget и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 1024. Она подходит для семантического поиска и кластеризации текстов; в каталоге также отмечена задача извлечения признаков. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Для запуска предусмотрена интеграция с библиотекой Sentence-Transformers; при использовании Transformers необходимо применить подходящую операцию пулинга к контекстным представлениям токенов. Объём модели — около 433,9 млн параметров. Лицензия и сведения о конкретных языках в предоставленных данных отсутствуют.

PII-JA-Detection — модель для обнаружения персональных данных в японском тексте. Она выполняет токенную классификацию с BIO-разметкой и поддерживает 18 типов PII, включая имена людей, названия организаций и телефонные номера. Модель основана на tohoku-nlp/bert-base-japanese и экспортирована в формат ONNX для запуска через ONNX Runtime. Размер составляет 137,8 млн параметров, максимальная длина контекста — 512 токенов; входом служат токенизированные текстовые последовательности, выходом — оценки по 37 меткам BIO. Модель подходит для выделения и последующей маскировки персональных данных в японских документах и текстовых сообщениях. Лицензия — Apache-2.0.,

mergekit-community создал эту плотную авторегрессионную языковую модель объединением методом TIES инструктивной Qwen2.5-7B-Instruct с моделями Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и рассчитана на контекст до 32 768 токенов. Она распространяется в формате safetensors и работает с библиотекой Transformers. Модель предназначена для диалогов и генерации текста с акцентом на программирование и математические задачи; метаданные также указывают интерфейс для вызова инструментов. Объединение переносит возможности трёх исходных инструктивных моделей в один чекпойнт, однако README не приводит сравнительных оценок качества или результатов тестирования. Языки в предоставленных данных не обозначены. Лицензия в предоставленных данных не указана.

Jina Reader-LM 1.5B — языковая модель от Jina AI для преобразования HTML-страниц в Markdown. Она обучена на подобранных парах HTML и соответствующего Markdown и принимает исходный HTML без отдельной инструкции в запросе. Пример применения из карточки — конвертация страницы Hacker News; модель также рассчитана на преобразование содержимого произвольных веб-страниц. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает чатовый формат и контекст до 256 000 токенов. Веса опубликованы в формате safetensors и используются через Transformers. Карточка указывает, что выпущена более новая версия ReaderLM-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

ai-forever/sbert_large_nlu_ru — русскоязычная модель семейства BERT large от команды SberDevices для получения векторных представлений предложений. Она предназначена для кодирования текста в эмбеддинги; в README для повышения качества рекомендуется усреднять представления токенов. Модель можно применять для поиска и сравнения текстов по смыслу, кластеризации и других задач на основе эмбеддингов. Модель имеет архитектуру BertModel и содержит около 525,7 млн параметров. Она принимает текст на русском языке, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — MIT.

magnolia-psychometrics/surveybot3000 — модель Sentence-Transformers, разработчик — magnolia-psychometrics. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и обучена с помощью CosineSimilarityLoss. Модель подходит для поиска семантически близких текстов и кластеризации; метаданные также указывают на поддержку извлечения признаков и сходства предложений. Для работы используется библиотека Sentence-Transformers.

Surya Layout (fast) — компактная модель обнаружения областей документа, используемая в проекте Surya. Она анализирует изображение страницы и находит текстовые блоки, таблицы, иллюстрации, заголовки, подписи и формулы. Модель предназначена для ускоренного анализа структуры документов и работает на CPU и GPU. Это детектор объектов на PyTorch, выступающий компактной альтернативой модели анализа компоновки документов на основе VLM в Surya. Модель подходит для предварительной разметки страниц в OCR-конвейерах и извлечения структурированных элементов документа. Репозиторий распространяется по лицензии OpenRAIL.

TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.