III.6Бухгалтерия, управленческие финансы и казначейство

Модель разработана для преобразования таблиц KPI в краткие управленческие отчёты. Это дообученная на синтетических бизнес-данных модель FLAN-T5 Base с архитектурой T5 encoder-decoder и 123,8 млн параметров; опубликованный чекпойнт объединён и загружается через Transformers. Модель принимает структурированные данные в CSV или JSON и формирует план тезисов для отчёта на английском языке. Контекст составляет 512 токенов. Модель предназначена для суммаризации KPI, подготовки черновиков отчётов для руководителей и экспериментов с генерацией текста по таблицам. В полном приложении генерацию дополняют детерминированный анализ показателей, ссылки на исходные строки и проверка числовых утверждений; сама модель не является источником фактов. В оценке на 250 примерах неподтверждённые утверждения до проверки встречались, а 100% поддержки утверждений после проверочной фильтрации относится к полному приложению. Лицензия — Apache-2.0. Обучающие данные синтетические и могут не отражать реальные корпоративные форматы. Результат модели без проверки может содержать неподтверждённые или численно неверные утверждения; для важных отчётов нужна проверка человеком. Экспорт ONNX проверялся лишь на пяти примерах и в измеренной среде работал медленнее CUDA-версии.

GLM-OCR — мультимодальная модель оптического распознавания символов от Z.ai, скопированная в репозиторий AIArchive без изменения весов из zai-org/GLM-OCR. Она предназначена для извлечения текста и структурированных сведений из изображений документов, включая сложные макеты, таблицы, формулы, печати и документы с большим количеством кода. Архитектура сочетает визуальный энкодер CogViT, межмодальный соединитель и языковой декодер GLM-0.5B; модель содержит 0,9 млрд параметров и использует архитектуру GLM-V encoder–decoder. Для разбора документов рекомендован SDK с анализом макета на основе PP-DocLayout-V3; для извлечения сведений README описывает прямой запуск модели с запросом по заданной JSON-схеме. Модель поддерживает китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. По данным README, она показывает высокие результаты на тестах распознавания документов и рассчитана на эффективный инференс, включая высоконагруженные и периферийные сценарии. README отмечает, что при извлечении данных необходимо строго задавать JSON-схему. Репозиторий содержит неизменённую копию весов в формате safetensors; лицензия — MIT.

NuExtract 2.0 8B — мультимодальная модель компании NuMind для извлечения информации в структурированный формат. Она основана на Qwen2.5-VL и дообучена для работы с текстом и изображениями; содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Для извлечения пользователь передаёт текст или изображение и JSON-шаблон с нужными полями и типами значений. Модель возвращает найденные данные в соответствии со схемой, поддерживая строки, числа, даты, перечисления и массивы. Она также может создавать шаблоны из текстового описания или преобразовывать схемы из других форматов. Для задач с неоднозначностью можно добавить примеры в контекст; разработчики рекомендуют использовать температуру, близкую к нулю. Модель предназначена для многоязычного извлечения информации из документов и других текстовых или визуальных источников. Её можно развёртывать через Transformers или vLLM. Лицензия репозитория — MIT.

NuExtract 2.0 2B — мультимодальная модель компании NuMind для извлечения структурированных данных. Она дообучена на базе Qwen2-VL-2B-Instruct и принимает текст и изображения. Пользователь задаёт JSON-шаблон с названиями полей и типами значений; модель извлекает данные и возвращает результат в соответствии с заданной схемой. Поддерживаются строки, числа, даты, перечисления и массивы, а при отсутствии подходящих сведений модель может вернуть null или пустой массив. Модель рассчитана на извлечение информации из текстов и изображений, а также на автоматическую генерацию шаблонов из описания на естественном языке или существующей схемы. Она мультиязычная, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Для задач извлечения рекомендуется температура генерации, близкая к нулю; примеры в контексте могут помочь при неоднозначных запросах или специальных требованиях к формату. Лицензия — MIT.

Donut — модель для ответов на вопросы по изображениям документов, разработанная командой NAVER CLOVA и дообученная на наборе DocVQA. Она принимает изображение документа и текстовый вопрос, затем генерирует ответ на естественном языке. Архитектура сочетает визуальный энкодер Swin Transformer и текстовый декодер BART; модель работает по схеме vision-encoder-decoder. В отличие от OCR-конвейера, Donut напрямую преобразует изображение в текст, не требуя отдельного этапа распознавания текста. Модель рассчитана на визуальный вопросно-ответный анализ документов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель специализирована на DocVQA; точность может снижаться на документах, отличающихся от обучающих данных, и при вопросах, требующих информации, отсутствующей или плохо читаемой на изображении.

Granite Vision 3.2 2B — компактная мультимодальная модель IBM для понимания изображений и текста. Она предназначена прежде всего для обработки визуальных документов в корпоративных сценариях: извлечения сведений из таблиц, диаграмм, инфографики и графиков, OCR и ответов на вопросы по содержимому документов; также поддерживает общие задачи понимания изображений. Модель дообучена на базе ibm-granite/granite-3.1-2b-instruct. Архитектура сочетает визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct; используется подход LLaVA с многослойными признаками энкодера и повышенным разрешением сетки AnyRes. Для текстовой части заявлен контекст 128 тысяч токенов. На вход принимает английские инструкции и изображения, на выходе формирует текстовые ответы. Выпущена под лицензией Apache 2.0. Модель компактна и по приведённым в карточке оценкам показывает сильные результаты на DocVQA и ChartQA среди сравниваемых моделей размером 1–4 млрд параметров. Она может ошибаться, галлюцинировать, выдавать предвзятые или небезопасные ответы; карточка рекомендует преимущественно документные задачи и отмечает повышенные риски для более общих задач с изображениями.

SeeWye/qwen_finetune1_16bit — дообученная методом SFT модель семейства Qwen3.5, разработанная SeeWye на базе SeeWye/qwen3_5_TM_ocr_merged2. Модель принимает текст и изображения и формирует текстовые ответы; карточка указывает на приблизительное выравнивание вывода под заданную схему, а метаданные отмечают возможности vision и chat. Модель предназначена для сценариев, где требуется разбирать изображения и выдавать ответ в структурированном формате, например при извлечении сведений из документов. Обучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса safetensors; лицензия — Apache 2.0. Карточка характеризует выравнивание схемы как приблизительное, поэтому корректность и строгое соответствие формату следует проверять на целевых данных. Размер модели и длина контекста в предоставленных сведениях не приведены.

TRivia-3B — мультимодальная модель для распознавания и разбора таблиц, разработанная OpenDataLab на основе Qwen2.5-VL-3B-Instruct с помощью метода self-supervised fine-tuning TRivia. Она принимает изображения таблиц и преобразует их структуру в последовательность тегов OTSL. Модель рассчитана на работу с цифровыми таблицами, сканами и фотографиями. По данным карточки, она содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 тыс. токенов. Для инференса README описывает запуск через vLLM, включая развёртывание сервера с OpenAI-совместимым API. В README заявлены высокие результаты на нескольких реальных бенчмарках распознавания таблиц, однако численные результаты в предоставленном тексте отсутствуют. Лицензия в предоставленных данных не указана.

noctrex/Chandra-OCR-GGUF — набор GGUF-квантизаций модели Chandra-OCR, базовая модель которой опубликована организацией datalab-to. Модель предназначена для преобразования изображений в текст и задач OCR, включая обработку визуальных документов. README не содержит подробностей об архитектуре, размере, поддерживаемых языках, длине контекста или точном наборе визуальных возможностей. Доступны варианты квантизации, позволяющие запускать модель с различными требованиями к ресурсам. Для мультимодального проектора mmproj рекомендуется версия F32 как наиболее качественная; далее по ожидаемому качеству указаны BF16 и F16. Конкретные компромиссы между качеством, скоростью и потреблением памяти для вариантов GGUF не описаны. Лицензия в предоставленных данных не указана.

LFM2-350M-Extract — компактная языковая модель компании Liquid AI для извлечения важных сведений из неструктурированных документов и преобразования их в структурированные данные. Она предназначена для обработки статей, расшифровок, отчётов, писем, обращений в поддержку и нормативных документов; результаты можно запрашивать в формате JSON, XML или YAML, задав схему в системном запросе. При отсутствии системного запроса модель по умолчанию формирует JSON. Модель построена на плотной архитектуре LFM2 и содержит 444,6 млн параметров. Она принимает текст и выдаёт текст, включая структурированный вывод. Заявленная длина контекста — 128 000 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Для генерации рекомендуется жадное декодирование с temperature=0. По данным разработчика, на задаче извлечения модель превзошла Gemma 3 4B в проведённой ими оценке, однако это не гарантирует аналогичный результат на других данных и сценариях. Модель рассчитана на одношаговые диалоги; для более точного соблюдения формата и схемы рекомендуется явно задавать их в системном запросе. Модель дообучена на базе LiquidAI/LFM2-350M. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

Qwen2.5-VL-32B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; репозиторий подготовлен Unsloth. Модель предназначена для задач, где требуется совместно обрабатывать текст и изображения, включая визуальные вопросы и ответы, распознавание текста, анализ документов, графиков, таблиц и макетов, математическое и логическое рассуждение, а также структурированное извлечение данных из счетов и форм. Она также поддерживает анализ видео длительностью более часа, поиск релевантных временных фрагментов, визуальную локализацию объектов и сценарии взаимодействия с компьютером или телефоном. Модель содержит 32 млрд параметров и использует архитектуру Qwen2.5-VL с визуальным энкодером ViT, динамическим разрешением изображений и динамической частотой выборки кадров видео. В архитектуре заявлены оконное внимание, SwiGLU и RMSNorm; для временного измерения применяется mRoPE с учетом идентификаторов и абсолютного времени. Основные модальности — текст, изображения и видео. В README указан английский язык, однако полный перечень поддерживаемых языков и размер контекстного окна не приведены. Сильные стороны модели — развитое понимание визуального содержимого, документов и видео, генерация структурированных JSON-ответов, визуальная локализация, а также улучшенные математические и общие рассуждательные способности. Ограничения включают большой размер, высокие требования к вычислительным ресурсам и отсутствие в представленном README подробностей о характеристиках именно GGUF-квантизации, поддерживаемых вариантах квантования и рекомендуемых ресурсах. Модель распространяется по лицензии Apache-2.0.

Это преобразованная в формат MLX версия PaddleOCR-VL-1.5 от mlx-community, основанная на PaddlePaddle/PaddleOCR-VL-1.5. Модель построена на архитектуре PaddleOCR-VL для генерации текста по изображению и дообучена на базе baidu/ERNIE-4.5-0.3B-Paddle. В метаданных указаны 318,2 млн параметров и контекст до 131 072 токенов. Модель предназначена для OCR и разбора содержимого документов: извлечения текста и структурированных сведений с изображений, включая таблицы, формулы, графики и печати. Метаданные отмечают английский, китайский и многоязычный режимы; README указывает на использование через mlx-vlm. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

Nanonets-OCR-s-GGUF — версия модели Nanonets-OCR-s в формате GGUF с обновлённым шаблоном чата. Она предназначена для извлечения текста из изображений документов и представления содержимого в удобной для дальнейшей обработки форме: таблицы можно возвращать в HTML, формулы — в LaTeX, а изображения описывать краткими подписями. Для запуска автор указывает llama-server и отдельный файл mmproj; рекомендуемые параметры генерации заданы в примере команды. Модель принимает изображение документа и текстовую инструкцию, а выдаёт текст с распознанным содержимым. В метаданных указаны варианты GGUF BF16 и F32 и поддержка английского языка. Лицензия в предоставленных данных не указана.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

NaviDC-OCR — специализированная компактная мультимодальная модель StarDoc-AI для разбора цифровых документов и фотографий документов. Она построена на архитектуре Qwen2.5-VL и предназначена для извлечения текста и структуры, включая таблицы, формулы и порядок чтения. Метаданные указывают 507,9 млн параметров и контекст до 128 000 токенов; README приводит оценку размера 1,2 млрд параметров, поэтому сведения о размере расходятся. Модель принимает изображения документов и формирует текстовый результат разбора. В README заявлена устойчивость к геометрическим искажениям фотографий без предварительного выравнивания, а также приведены результаты на нескольких бенчмарках. Карточка позиционирует её как лёгкую модель для практического развёртывания; фактическое качество может зависеть от типа документа и условий съёмки. Поддерживаемые языки по метаданным — китайский, английский и японский. Лицензия — Apache-2.0.

Next OCR 8B — мультимодальная модель с 8 млрд параметров, разработанная Lamapi для оптического распознавания символов и анализа документов. Она принимает изображения и текстовые инструкции, извлекает текст из изображений, документов и скриншотов, а также предназначена для понимания математических выражений, таблиц, форм и других структурированных материалов. Модель реализуется через Transformers как vision-to-sequence и настроена на выполнение инструкций. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. Среди сильных сторон указаны высокая точность OCR, работа с математикой и таблицами, многоязычность, распознавание рукописного текста и текста в сценах, а также сравнительно компактный размер и эффективность для ограниченных ресурсов. В README приведены результаты собственных сравнений, однако методика и наборы данных не описаны, поэтому эти показатели следует интерпретировать с осторожностью. В README не указаны размер контекстного окна, требования к оборудованию, точный базовый архитектурный вариант и подтверждённые ограничения модели. Лицензия указана неоднозначно: в метаданных заявлена Apache-2.0, а в тексте README присутствует обозначение MIT; перед использованием необходимо уточнить, какая лицензия является действительной.

XCurOS-OCR-GGUF — версия в формате GGUF модели XCurOS-OCR, разработанной XCurOS. Это компактная vision-language-модель на 0,9 млрд параметров для распознавания текста и анализа документов по изображениям. Репозиторий содержит веса декодера и отдельный vision projector, необходимый для обработки изображений; модель запускается локально через llama.cpp на CPU или GPU. Модель предназначена для OCR документов, распознавания формул, таблиц, рукописного текста и кода, а также разбора структуры страниц. README приводит результаты на нескольких бенчмарках и характеризует качество как близкое к более крупным OCR-системам при работе на обычном CPU. Указана поддержка английского, китайского и других языков; конкретная длина контекста не приводится. Веса опубликованы в формате GGUF F16 без квантизации. Для использования требуется совместимая сборка llama.cpp и vision projector. Лицензия — MIT.

PaddleOCR-VL — компактная мультимодальная модель для разбора документов, разработанная PaddlePaddle. Она сочетает визуальный энкодер с динамическим разрешением в стиле NaViT и языковую модель ERNIE 4.5; карточка Hugging Face указывает 318,2 млн параметров, а README описывает семейство PaddleOCR-VL-0.9B. Модель принимает изображения документов и формирует текстовое представление их содержимого и структуры. Модель предназначена для распознавания текста и сложных элементов документов: таблиц, формул и диаграмм, включая рукописный текст и исторические документы. Заявлена поддержка 109 языков; метаданные также указывают окно контекста 131 072 токена. Среди сценариев применения — извлечение содержимого страниц и обработка многоязычных документов. README заявляет высокие результаты на бенчмарках, но отмечает, что полный разбор документов через Transformers пока планируется; для текущего сценария через Transformers описано распознавание текстов, формул, таблиц и элементов диаграмм. Лицензия — Apache 2.0.

OpenGryd/PaddleOCR-VL-1.6-MLX-16bit — конверсия PaddlePaddle/PaddleOCR-VL-1.6 в формат MLX для запуска на компьютерах Apple Silicon. Это мультимодальная модель обработки документов на основе ERNIE-4.5 с архитектурой PaddleOCRVLForConditionalGeneration; в README указано 0,9 млрд параметров, а размер файлов составляет около 1,81 ГБ. Модель использует точность bfloat16 без квантизации, принимает изображение вместе с текстовым запросом и выдаёт текстовый разбор документа. Контекст — до 131 072 токенов; языковые метки карточки указывают английский, китайский и многоязычную поддержку. Модель предназначена для локального распознавания и структурирования документов: извлекает текст целых страниц в Markdown или JSON, анализирует макет, распознаёт таблицы и формулы, диаграммы, печати и текстовые области. Повышенный предел разрешения изображения нацелен на распознавание мелкого текста, но увеличивает время обработки крупных страниц; README приводит замеры на 8-битной версии. Для работы требуется библиотека mlx-vlm и включение trust_remote_code=True, а запрос должен включать изображение. Лицензия — Apache-2.0.

google/paligemma-3b-ft-docvqa-896 — модель Google для ответов на вопросы по изображениям документов. Она относится к семейству PaliGemma: визуальная часть основана на SigLIP, языковая — на Gemma; модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Суффикс названия указывает на настройку для DocVQA с разрешением изображений 896 пикселей; карточка описывает PaliGemma как модель для одношаговой обработки, а не для многоходового диалога. Модель предназначена для извлечения сведений из документов по вопросам на естественном языке — например, поиска значений и ответов, опирающихся на содержимое страницы. PaliGemma поддерживает несколько языков и может быть адаптирована под специализированные задачи визуального языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Gemma. Ответы могут быть неточными, а модель может неверно прочитать текст или интерпретировать документ. Она лучше работает с чётко сформулированными запросами; сложные или открытые задачи могут даваться хуже. Это не универсальная чат-модель: ввод изображения и текста рассчитан на один ход.

Garnet-OCR-7B-0422-i1-GGUF — это квантованная версия vision-language модели Garnet-OCR-7B-0422, разработанной prithivMLmods и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для обработки изображений документов, OCR, преобразования PDF и изображений в Markdown, извлечения структурированных данных, распознавания и связывания элементов документов, а также задач Intelligent Document Processing и Key Information Extraction. Модель имеет размер 7B параметров, поддерживает визуально-текстовый ввод и, согласно метаданным, английский язык. Она обучалась на наборах данных OpenDoc-Pdf-Preview, Opendoc1-Analysis-Recognition, olmOCR-mix-0225, Openpdf-Analysis-Recognition и OCR-Markdown-Dense-200x. Контекст, точная архитектура vision-компонента и перечень поддерживаемых форматов изображений в README не указаны. Репозиторий содержит множество вариантов квантования GGUF объёмом примерно от 2,0 до 6,4 ГБ; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Сильная сторона модели — специализация на OCR и понимании структуры документов, включая генерацию Markdown и извлечение информации. Ограничения связаны с потерями качества при низких уровнях квантования, а также с отсутствием в README подробных оценок качества, описания контекстного окна и характеристик инференса. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Указанная лицензия — Apache-2.0.

PaddleOCR-VL — мультимодальная модель Baidu для разбора документов по изображениям. Вариант в этом репозитории дообучен на основе baidu/ERNIE-4.5-0.3B-Paddle; метаданные указывают 318,2 млн параметров, архитектуру PaddleOCRVLForConditionalGeneration и контекст 131 072 токена. Карточка описывает семейство PaddleOCR-VL-0.9B с визуальным энкодером динамического разрешения в стиле NaViT и языковой моделью ERNIE-4.5-0.3B. Модель извлекает текст и распознаёт структурные элементы документов, включая таблицы, формулы и диаграммы. Она рассчитана на многоязычные документы, в том числе с рукописным текстом и историческими материалами; README заявляет поддержку 109 языков. В метаданных указаны английский и китайский языки. Такая модель подходит для систем оцифровки и анализа документов; карточка заявляет высокую точность и быструю работу, но не приводит здесь подробных количественных результатов. Для полной обработки документов README описывает PaddleOCR, а поддержку вывода через Transformers характеризует как ограниченную распознаванием отдельных элементов. Лицензия — Apache-2.0.

TeleOCR — компактная мультимодальная модель StarDoc-AI для разбора документов по изображениям. В метаданных указаны архитектура Qwen2.5-VL, 507,9 млн параметров, контекст 128 000 токенов и библиотека Transformers; README описывает модель как примерно 1,2-миллиардную. Эти сведения о размере расходятся между источниками. Модель предназначена для извлечения текста и структуры из цифровых и снятых камерой документов, включая искажённые страницы, таблицы и формулы. В README заявлены геометрически ориентированное моделирование, автоматическая генерация и проверка обучающих данных и поэтапное обучение. Модель принимает изображения документов и формирует текстовый разбор; в метаданных также отмечена поддержка чата. Заявлены результаты на нескольких тестах разбора документов, но они приведены авторами и сами по себе не гарантируют качество на конкретных данных. Модель опубликована под лицензией Apache-2.0. Для запуска README предлагает Transformers, PyTorch и Pillow; для полного разбора документов авторы отсылают к отдельному репозиторию.

Карточка модели Francs6/DeepSeek-OCR-2-endpoint на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR-2, поэтому описание составлено по ней. DeepSeek-OCR 2 — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она использует архитектуру DeepSeek-VL2 с причинным языковым декодером и рассчитана на запуск через Transformers на GPU NVIDIA; README также упоминает ускоренный инференс и обработку PDF через vLLM. Модель поддерживает динамическое разрешение изображений: указан режим от 0 до 6 фрагментов 768×768 и одного изображения 1024×1024. Размер модели составляет 559,7 млн параметров, контекст — 8192 токена. В карточке заявлена поддержка многоязычного ввода. Модель подходит для извлечения текста с изображений и документов, включая сценарии OCR и работы с PDF. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для запуска README приводит зависимости для Transformers и CUDA; указанные версии окружения могут потребовать соответствующей GPU-конфигурации.

PaddleOCR-VL-1.6-GGUF — набор квантованных версий мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для распознавания и структурированного анализа документов по изображениям: извлечения текста, определения компоновки страниц, обработки таблиц, формул, диаграмм, печатей и других элементов, а также задач image-to-text и document parsing. Указана поддержка английского, китайского и других многоязычных сценариев. README не содержит сведений о точной архитектуре, количестве параметров или размере исходной модели, контекстном окне и перечне поддерживаемых языков. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 0,3 до 1,0 ГБ. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество; в README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с лучшим качеством. Модель удобна для локального запуска в совместимых с GGUF инструментах и позволяет выбирать компромисс между скоростью, размером файла и качеством. Ограничения включают отсутствие подробных данных о результатах тестирования, производительности, требованиях к оборудованию и точных характеристиках исходной модели. Указана лицензия Apache-2.0.

Карточка модели mikoy92/Unlimited-OCR-bf16-mlx на Hugging Face совпадает с карточкой emee-ai/Unlimited-OCR-bf16-mlx, поэтому описание составлено по ней. Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

Dots.OCR-Latest-BF16 — дообученная версия мультимодальной модели Dots.OCR, опубликованная prithivMLmods. Она предназначена для распознавания и извлечения текста из изображений и сканов документов, включая печатный текст и рукописный курсив. Результат можно получить в виде обычного текста или Markdown с сохранением структуры документа: заголовков, таблиц и списков. Модель использует архитектуру DotsOCRForCausalLM и принимает изображения вместе с текстовым запросом. В README указана мультимодальная основа размером 3B, тогда как метаданные репозитория сообщают 1,5 млрд параметров; заявленное контекстное окно — 131072 токена. Версия BF16 обновлена для совместимости с Transformers 4.57.1. Лицензия — MIT.

Soulfate24/PaddleOCR-VL-1.6-ASHQ1-Remix-GGUF — это квантизированная в формате GGUF версия мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle. Модель предназначена для преобразования изображений в текст и анализа документов с применением OCR: распознавания текста, разбора структуры страниц, определения макета, обработки таблиц, формул, диаграмм, печатей и других элементов документов. Заявлена поддержка английского, китайского и многоязычных сценариев. Модель ориентирована на локальный запуск в совместимых средах, поддерживающих GGUF. В набор входят варианты квантизации ASHQ1-Remix с разными компромиссами между размером, точностью и скоростью: от примерно 239 до 430 МиБ для представленных конфигураций; в README также приведён эталонный вариант Q8_0 размером 475 МиБ. По опубликованным тестам, более компактные варианты снижают показатели сохранения качества, поэтому выбор конфигурации зависит от доступной памяти и требований к точности. Архитектура, число параметров и размер контекста в README не указаны. К сильным сторонам относятся специализированные возможности анализа сложных документов, мультимодальный ввод и возможность использования компактных квантизированных файлов. Ограничения включают потенциальную потерю точности при агрессивной квантизации, зависимость производительности от конкретного варианта и программного окружения, а также отсутствие подробных сведений о контексте и архитектуре. Модель распространяется по лицензии Apache-2.0.

srv-sngh подготовил для среды Krill на Apple Silicon квантованную сборку модели baidu/Unlimited-OCR, основанной на DeepSeek-OCR. Это мультимодальная модель для распознавания текста и разбора документов по изображениям с выдачей текстового результата, привязанного к содержимому страницы. Архитектура включает языковую основу DeepSeek-MoE и визуальный энкодер DeepEncoder на базе SAM-ViT-B, CLIP-L и проектора; размер модели по метаданным — 559,7 млн параметров, контекст — 32 768 токенов. Сборка использует смешанную точность: эксперты MoE квантованы в nvfp4, а внимание, плотные слои и линейные слои визуального энкодера — в 8-битный формат. В описанном режиме модель обрабатывает одну страницу с глобальным представлением изображения; режим разбиения больших или плотных сканов на фрагменты указан как будущая возможность. Для запуска предназначен Krill со Swift и MLX на Apple Silicon; контрольная точка не является готовой для Transformers. Лицензия — MIT.