III.6Бухгалтерия, управленческие финансы и казначейство

TusharGoel/LayoutLM-Finetuned-DocVQA — модель Tushar Goel на основе LayoutLM, дообученная на вопросах из набора DocVQA. Она предназначена для ответов на вопросы по содержимому документов с учётом текста и его расположения на странице. Модель содержит 136,7 млн параметров, использует архитектуру LayoutLMForQuestionAnswering, принимает документы и вопросы на английском языке; длина контекста — до 512 токенов. Модель подходит для извлечения сведений из документов по запросу, например для поиска ответа на форме или странице документа. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Карточка модели MUFFDUNCAN/Unlimited-OCR-Universal на Hugging Face совпадает с карточкой sabafallah/Unlimited-OCR-Universal, поэтому описание составлено по ней. sabafallah/Unlimited-OCR-Universal — сообщественный форк модели Unlimited-OCR, первоначально разработанной Baidu. Веса модели не изменены: в репозитории адаптирован код запуска для NVIDIA CUDA, Apple Silicon с MPS и CPU. Модель основана на плотной архитектуре UnlimitedOCRForCausalLM и насчитывает 559,7 млн параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для распознавания текста и разбора длинных документов по изображениям, включая многостраничные документы и PDF. Она принимает изображения и выдаёт текст; в метаданных указана поддержка мультиязычных сценариев. Для запуска используются Transformers; путь SGLang в README доступен только на CUDA. Репозиторий распространяется по лицензии MIT. На MPS требуется вычисление в fp32, что увеличивает расход памяти; для ускоренного пути SGLang нужна CUDA.

LFM2.5-350M-Extract-ML-LoRA — языковая модель Андреа Джемелли, дообученная на базе LiquidAI/LFM2.5-350M для извлечения сведений из документов и их классификации. Модель принимает текст страницы и выданную пользователем JSON-схему, возвращает значения, скопированные из текста, либо выбирает один из двенадцати классов документа. Поддерживает итальянский, немецкий, испанский, французский, португальский, китайский, японский и английский языки. Это плотная авторегрессионная модель семейства LFM2 с архитектурой Lfm2ForCausalLM; в репозитории около 444,6 млн параметров, формат весов — safetensors, контекст — до 128 000 токенов. LoRA-адаптер уже объединён с весами, поэтому модель можно загружать как обычную causal LM без PEFT. В оценке автора на наборе xfund-docai-xl средний F1 составил 0,7504, а 3 из 785 ответов не прошли разбор как JSON. Модель рассчитана на офлайн-анализ одностраничных документов, когда текст уже получен из PDF или OCR. Она не принимает изображения и сама не выполняет OCR; качество зависит от точности заданной схемы и исходного текста. Возможны неверное сопоставление полей и невалидный JSON; английский и португальский показали более слабые результаты, а часть классификационной оценки для английского основана на синтетических страницах. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях лицензии с ограничением коммерческого применения.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора длинных документов по изображению. Разработчики позиционируют её как модель для сквозного парсинга с одного прохода и называют развитием DeepSeek-OCR. Архитектура — плотная авторегрессионная модель для причинной генерации, объём — 559,7 млн параметров; модель опубликована в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для OCR и извлечения содержимого из изображений и документов, включая длинные материалы; в карточке также заявлена задача генерации текста. Указана многоязычная поддержка, но конкретные языки не перечислены. Модель доступна для запуска через Transformers, vLLM и SGLang. Лицензия — MIT. README не приводит количественных оценок качества или подробностей ограничений; применимость к конкретным языкам и типам документов следует проверять на собственных данных.

Карточка модели ByteDance/Dolphin на Hugging Face совпадает с карточкой ByteDance/Dolphin-1.5, поэтому описание составлено по ней. Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) — мультимодальная модель для разбора изображений документов, построенная по схеме «сначала анализ, затем разбор». На первом этапе она определяет структуру страницы и порядок чтения, а на втором параллельно извлекает содержимое отдельных элементов: текста, иллюстраций, формул и таблиц. Модель использует архитектуру vision-encoder-decoder: визуальный энкодер основан на Swin Transformer, а текстовый декодер — на mBART. Задачи разбора можно задавать текстовыми промптами. Карточка описывает её как лёгкую модель с эффективным параллельным разбором, предназначенную для анализа структуры и содержимого страниц документов. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия MIT. Размер модели и длина контекста не приведены в доступных источниках.

A.X 4.0 VL Light — компактная мультимодальная модель SK Telecom для понимания изображений и текста, созданная на основе A.X 4.0 Light и дополнительно обученная на мультимодальных данных, в том числе крупных корейских наборах. Она предназначена для диалога и анализа изображений, а также для корпоративных сценариев, связанных с корейскими документами, таблицами, графиками, рукописным текстом и надписями в сценах. В карточке приведены результаты на корейских визуальных и текстовых бенчмарках; модель также использует примерно на 41% меньше текстовых токенов, чем Qwen2.5-VL, для одинакового корейского ввода. Модель поддерживает обработку изображений и текста и генерацию текстовых ответов; метаданные указывают семейство a.x-4-vl, плотную архитектуру и интерфейс вызова инструментов. Для работы через Transformers требуется версия 4.49.0 или новее. Лицензия — Apache-2.0. Описанные сильные стороны сосредоточены на корейском языке и корейских материалах; README не приводит размер модели и длину контекста.

olmOCR-2-7B-1025-FP8 — мультимодальная модель для оптического распознавания документов, разработанная Allen Institute for AI (Ai2). Она дообучена на базе Qwen2.5-VL-7B-Instruct с использованием набора данных olmOCR-mix-1025 и дополнительно оптимизирована методом GRPO для обработки математических формул, таблиц и других сложных случаев OCR. Версия FP8 квантизована с помощью llmcompressor. Модель предназначена для преобразования изображений страниц документов, включая PDF, в структурированный текст. Она подходит для распознавания научных статей, старых сканов, многостолбцовых документов, таблиц, колонтитулов и мелкого текста. Рекомендуемый сценарий использования — через olmOCR toolkit, который выполняет рендеринг, поворот и повторную обработку страниц и поддерживает масштабный инференс с помощью vLLM. На вход подаётся одно изображение документа; рекомендуемый размер — 1288 пикселей по длинной стороне. README указывает английский язык модели. Ключевые характеристики: визуально-языковая архитектура на основе Qwen2.5-VL-7B-Instruct, около 7 млрд параметров, обработка изображений и текста, FP8-квантизация. По данным olmOCR-Bench, общий результат составляет 82,4 ± 1,1. Ограничения включают зависимость качества от корректного рендеринга, ориентации и подготовки промпта, а также специализацию прежде всего на OCR документов; сведения о контекстном окне в README не указаны. Модель распространяется по лицензии Apache 2.0 и предназначена для исследовательского и образовательного использования в соответствии с принципами Responsible AI Ai2.

Qwen2.5-VL-72B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантизированный вариант Qwen2.5-VL-72B-Instruct с 72 млрд параметров, предназначенный для обработки текста, изображений и видео в задачах vision-language. Модель умеет распознавать и анализировать объекты, текст, графики, диаграммы, иконки и компоновку изображений, извлекать структурированные данные из счетов, форм, таблиц и других документов, локализовать объекты с помощью bounding boxes или точек, а также понимать видео длительностью более часа и указывать релевантные временные отрезки. Она также ориентирована на агентные сценарии, включая управление компьютером и телефоном, и может формировать структурированные JSON-ответы. В архитектуре используются динамическое разрешение изображений, динамическая частота выборки кадров, временные идентификаторы mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий спектр визуальных задач, работа с длинными видео, визуальная локализация и извлечение структурированной информации. AWQ-квантизация может снизить требования к памяти и ускорить развертывание по сравнению с полноразмерной версией, однако модель остается крупной и может требовать значительных вычислительных ресурсов. В README не указаны точное максимальное окно контекста, полный перечень поддерживаемых языков и подробные результаты оценки; в метаданных указан английский язык. Лицензия обозначена как qwen; условия приведены в файле лицензии репозитория.

Qwen2.5-VL-7B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантованная версия модели Qwen2.5-VL-7B-Instruct с 7 миллиардами параметров, предназначенная для задач vision-language. Модель принимает текст, изображения и видео и может распознавать объекты, анализировать текст, графики, таблицы, иконки и макеты, извлекать структурированные данные из счетов и форм, локализовать объекты с помощью bounding boxes или точек, а также поддерживать сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Она способна анализировать видео длительностью более часа и находить релевантные временные фрагменты. В архитектуре заявлены динамическое разрешение и частота кадров для видео, временная версия mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий набор мультимодальных возможностей, обработка документов и структурированный вывод, визуальная локализация и понимание длительных видео. Модель позиционируется как более эффективная за счет AWQ-квантования, а использование flash attention 2 может снизить потребление памяти и ускорить инференс. README не содержит результатов оценки, точного размера контекстного окна и подробного перечня поддерживаемых языков; в метаданных указан английский язык. Для работы рекомендуется актуальная версия Transformers и соответствующие инструменты обработки изображений и видео. Модель распространяется по лицензии Apache-2.0.

Arctic-TILT — компактная модель Snowflake для понимания деловых документов. Это encoder-decoder Transformer семейства TILT; метаданные указывают 435,6 млн параметров, тогда как README приводит 822 млн. Модель предназначена для ответов на вопросы по документам и извлечения ключевой информации. Разработчики заявляют высокую эффективность и обработку длинного контекста, а также результаты, сопоставимые с моделями, которые в 1000 раз больше, на одной GPU с 24 ГБ памяти. Для работы модель оптимизирована под vLLM и требует специального планировщика и препроцессора TiltPreprocessor, код и примеры которого размещены в репозитории Snowflake-Labs/arctic-tilt. Указан формат весов safetensors. Лицензия и поддерживаемые языки в предоставленных данных не описаны.

Gliese-OCR-7B-Post1.0-GGUF — мультимодальная модель для анализа документов, распознавания текста и извлечения структурированной информации. Она разработана prithivMLmods как GGUF-версия модели Gliese-OCR-7B-Post1.0, дообученной на основе Camel-Doc-OCR-062825 и построенной на архитектуре Qwen2.5-VL. Обучение было сфокусировано на наборе данных Opendoc2-Analysis-Recognition. Модель предназначена для Document Retrieval, OCR, Content Extraction, анализа и распознавания содержимого документов, связывания извлечённых элементов, а также задач Intelligent Document Processing. Поддерживаются текстовые и визуальные входные данные; заявлены английский и китайский языки. Доступен набор GGUF-квантизаций от F16 размером 15,2 ГБ до вариантов объёмом около 1,9 ГБ, а также отдельные файлы мультимодального проектора. Это позволяет выбирать компромисс между качеством и требованиями к памяти, однако README не содержит сравнительных оценок качества, сведений о контекстном окне или подробностей об ограничениях модели. Модель распространяется по лицензии Apache-2.0 и ориентирована на использование с совместимыми инструментами, включая llama.cpp и Transformers.

Infinity-Parser2-Flash-GGUF — мультимодальная модель понимания документов, разработанная infly-ai на базе infly/Infinity-Parser2-Flash. Это быстродействующая версия семейства Infinity-Parser2, предназначенная для анализа изображений документов, PDF и другого визуально-текстового содержимого. Модель поддерживает распознавание и структурирование макета, выделение элементов документа с ограничивающими рамками и категориями, извлечение текста, распознавание таблиц, графиков, математических и химических формул, а также document VQA и общее мультимодальное понимание. Результаты могут представляться в Markdown, HTML и LaTeX в зависимости от типа элемента. Модель обучалась на почти 5 млн разнообразных образцов документов с применением многоцелевого обучения с подкреплением и проверяемыми наградами. Заявлена скорость до 1 624 токенов в секунду, что в 3,68 раза выше предыдущей Infinity-Parser-7B; показатели составляют 86,0% на olmOCR-Bench, 72,2% на ParseBench и 91,98% на OmniDocBench-v1.6. Доступны файлы GGUF в форматах от Q2_K до F32, а также мультимодальные проекторы; поддерживаются llama.cpp, Transformers, vLLM и vLLM-server через пакет infinity_parser2. Основные ограничения — поддержка преимущественно английского и китайского языков, снижение точности на сложных графиках и повернутых элементах таблиц, а также отсутствие детального сохранения текстового форматирования вроде полужирного и курсивного начертания. Модель распространяется по лицензии Apache-2.0.

dots.ocr-1.5 — мультимодальная модель OCR и разбора документов, разработанная rednote-hilab (Xiaohongshu); эта копия загружена на Hugging Face с ModelScope. Архитектура DotsOCRForCausalLM сочетает зрительный энкодер и языковую модель. В метаданных указано 1,5 млрд параметров, а README описывает исходную версию как модель на 3 млрд параметров; эти сведения расходятся. Модель принимает изображения и текстовые запросы и выдаёт распознанный текст, структурированные данные или SVG. Заявлены контекст до 131 072 токенов и поддержка английского, китайского и ряда других языков, включая русский. Модель предназначена для распознавания текста и структуры документов, включая таблицы, формулы и блоки разметки, а также для ответов на вопросы по изображениям документов и диаграмм. Она также может разбирать снимки веб-страниц и сцены с текстом, находить объекты и считать их, преобразовывать диаграммы и другие графические материалы в SVG. README приводит результаты на тестах DocVQA, ChartQA и OCRBench и отмечает сильные результаты в многоязычном разборе документов. По README, сложные таблицы и формулы остаются трудными для компактной версии модели, преобразование изображений в SVG требует улучшения, а в отдельных случаях возникают ошибки разбора. Для запуска с Transformers требуется включить доверенную загрузку пользовательского кода; в vLLM необходимо передавать содержимое запроса в строковом формате. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверить с исходным проектом rednote-hilab.

olmOCR-7B-faithful — дообученная модель tngtech на базе allenai/olmOCR-7B-0225-preview для извлечения информации из изображений документов. Она нацелена на полноту распознавания и включает сведения из заголовков и нижних колонтитулов. Модель использует архитектуру Qwen2-VL с 7,1 млрд параметров, принимает изображения и текстовые инструкции и формирует текстовый ответ. Контекст — до 32 768 токенов. Подходит для извлечения текста и содержимого страниц документов, включая PDF после преобразования страниц в изображения. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0.

Карточка модели Vongxman/Unlimited-OCR на Hugging Face совпадает с карточкой baidu/Unlimited-OCR, поэтому описание составлено по ней. Unlimited-OCR — мультимодальная модель Baidu для распознавания текста и разбора документов по изображениям. Она предназначена для обработки длинных документов за один проход, включая сценарии с PDF, предварительно преобразованными в изображения. Модель построена на архитектуре UnlimitedOCRForCausalLM, содержит 559,7 млн параметров, принимает изображения и текстовые инструкции и выдаёт текст. Поддерживает многоязычные сценарии и контекст длиной до 32 768 токенов. Модель доступна для запуска через Transformers, vLLM и SGLang; карточка также описывает оценку на OmniDocBench. Лицензия — MIT. Карточка не приводит подробностей о точности по языкам и типам документов, поэтому качество для конкретного набора документов следует проверять отдельно.

Vintern-1B-v3.5-BF16-GGUF — конверсия визуально-языковой модели Vintern-1B-v3_5 от сообщества; исходная модель и обучение принадлежат 5CD-AI. Репозиторий содержит GGUF-файлы языковой модели и визуального проектора, а также шаблон диалога. Это BF16-конверсия без низкобитной квантизации; часть тензоров сохранена в F32. Базовая модель основана на InternVL2.5-1B. Модель принимает изображения и текст и предназначена для OCR, извлечения данных из документов и ответов на вопросы по их содержимому. В исходной карточке указаны вьетнамский, английский и китайский языки. Для описанной в README конфигурации используется разбиение изображения на тайлы размером 448 пикселей с максимумом 12 динамических патчей. Конверсия исправляет метаданные EOS и перестраивает позиции визуального проектора под CLS-last компоновку конкретной версии llama.cpp. Проверенная совместимость указана только для llama.cpp commit c550d2f60bde72df19fcef1fef627895095b8ba8; для работы нужны оба GGUF-файла и шаблон. Лицензия исходной модели — MIT.

GutenOCR-3B — мультимодальная модель распознавания и локализации текста в документах, созданная дообучением Qwen2.5-VL-3B-Instruct. Модель на 3,1 млрд параметров использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми запросами; поддерживает контекст длиной до 128 000 токенов. Модель предназначена для чтения целых страниц с сохранением структуры, распознавания текста в заданной области и поиска слов или строк с выдачей координат ограничивающих рамок. Она также обнаруживает области с текстом, включая строки, абзацы и математические выражения. Ответы могут быть представлены обычным текстом, Markdown или структурированным JSON; интерфейс управляется шаблонами запросов. Модель обучалась на деловых документах, научных статьях и синтетических данных для локализации. По описанию авторов, на отложенных тестах она улучшает распознавание текста на уровне областей и строк, а также полноту обнаружения текста по сравнению с базовой моделью. Карточка приводит английский как язык модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

DeepSeek-OCR-2-bf16 — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Модель конвертирована в формат MLX из prince-canuma/DeepSeek-OCR-2 с помощью mlx-vlm 0.3.10 и предназначена для использования через библиотеку Transformers и инструменты MLX. Модель решает задачи оптического распознавания символов и описания изображений: извлекает текст из изображений, отвечает на вопросы о визуальном содержимом и формирует текстовые результаты по изображению. Она поддерживает мультиязычные сценарии, имеет 559,7 млн параметров и нативное контекстное окно до 8192 токенов. К сильным сторонам относятся специализированная направленность на OCR, поддержка vision-language сценариев и формат bf16 для экосистемы MLX. Результаты могут зависеть от качества, разрешения и структуры исходного изображения, а точность распознавания сложных документов, мелкого текста и нестандартных макетов следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

lokeshe09/gemma-4-31B-it-SFT_OCR_OCR — дообученная lokeshe09 мультимодальная модель Gemma 4 на 31 млрд параметров, созданная на основе unsloth/gemma-4-31B-it с использованием Unsloth и TRL. Модель принимает изображения и текст и предназначена для ответов на запросы по изображениям; название указывает на дообучение для OCR и извлечения текста из изображений. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о контекстном окне или конкретных языках OCR; метаданные карточки указывают английский язык.

Kosmos-2.5 — мультимодальная модель Microsoft для чтения изображений с большим количеством текста, например документов. Она использует авторегрессионный Transformer с общим декодером и предназначена для распознавания текста на уровне документа и преобразования изображения в структурированный Markdown. Модель может выдавать текстовые блоки с пространственными координатами или сохранять структуру и оформление документа в Markdown. Модель принимает изображения и текстовые инструкции и генерирует текст. Её можно адаптировать с помощью supervised fine-tuning для других задач понимания изображений с текстом. Для запуска используется библиотека Transformers версии 4.56 или новее. Модель распространяется по лицензии MIT. Результаты распознавания и преобразования могут содержать галлюцинации, поэтому точность извлечённого текста и Markdown не гарантируется.

Abiray/OvisOCR2-GGUF — набор GGUF-квантизованных версий мультимодальной модели OvisOCR2, разработанной ATH-MaaS. Модель создана на основе Qwen3.5-0.8B с последующим обучением для сквозного разбора страниц документов и преобразования их содержимого в структурированный Markdown. Модель предназначена для OCR и анализа документов: извлечения текста в естественном порядке чтения, распознавания LaTeX-формул, представления таблиц в HTML и сохранения компонентов макета. Это компактная vision-language модель с размером около 0,8 млрд параметров; поддерживаемые языки и максимальный размер контекста в README не указаны. Для работы с изображениями требуется отдельный мультимодальный проектор mmproj в формате GGUF. Доступны варианты от F16 и BF16 до 3-, 4-, 5-, 6- и 8-битных квантований, что позволяет выбирать между точностью, размером файлов и требованиями к ресурсам. Заявлен результат 96,58 на OmniDocBench v1.6 и превосходство над традиционными многоэтапными конвейерами анализа макета, однако практическое качество может зависеть от выбранного уровня квантования и входных документов. Для запуска рекомендуются инструменты llama.cpp, включая llama-minicpmv-cli или llama-llava-cli. Модель распространяется по лицензии Apache-2.0.

Arcee-Agent — языковая модель на 7,1 млрд параметров, разработанная Arcee AI для вызова функций и работы с инструментами. Она основана на Qwen2-7B и использует плотную архитектуру Qwen2ForCausalLM; для обучения применялся Spectrum, вычислительные ресурсы предоставила CrusoeAI. Модель предназначена для диалоговых агентов, маршрутизации запросов к инструментам и многошаговой автоматизации. Она может формировать вызовы API и баз данных, а также вести самостоятельный диалог. Поддерживает форматы Glaive FC v2, Salesforce и Agent-FLAN; в README отмечена наилучшая работа с форматом VLLM OpenAI FC. Контекст — до 131 072 токенов. Карточка указывает английский, немецкий и арабский языки. Модель распространяется под лицензией Apache-2.0. В README заявлены скорость и эффективность, однако не приведены независимые оценки качества. Как и другие языковые модели, она может ошибаться; выполнение её вызовов инструментов зависит от внешней инфраструктуры и настроек приложения.

GutenOCR-7B — мультимодальная модель для распознавания текста и поиска его областей в документах. Она создана разработчиками GutenOCR путём дообучения Qwen2.5-VL-7B и объединяет чтение, обнаружение текста и визуальную привязку в одном чекпойнте с интерфейсом на основе запросов. Модель обрабатывает целые страницы и отдельные области: извлекает текст с сохранением структуры строк, может выдавать Markdown или JSON, находит текстовые фрагменты и возвращает ограничивающие рамки на уровне строк и абзацев. Поддерживаются условные запросы вида «где находится этот текст?», включая поиск математических фрагментов. Обучение проводилось на деловых документах, научных статьях и синтетических данных для визуальной привязки. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Модель доступна в формате Safetensors и использует библиотеку Transformers. Карточка сообщает об улучшениях на отложенных тестах OCR по сравнению с базовой моделью, однако конкретные метрики в предоставленном описании отсутствуют. Для соблюдения ожидаемых форматов вывода модель полагается на системный промпт, автоматически добавляемый шаблоном чата. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

UDOP-large-512-300k — модель для анализа документов, разработанная авторами работы «Unifying Vision, Text, and Layout for Universal Document Processing». Она использует архитектуру encoder-decoder Transformer на основе T5 и предназначена для задач, объединяющих изображение документа, текст и его пространственную структуру. Модель с 386,3 млн параметров принимает изображение документа и текстовый запрос, а затем генерирует текстовый ответ. Её можно применять для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Веса опубликованы в формате safetensors; лицензия — MIT.

Kosmos-2.5-chat — мультимодальная модель Microsoft для визуальных вопросов и ответов по изображениям с текстом. Она дообучена на основе Kosmos-2.5 и использует авторегрессионный Transformer с декодером, принимающий изображение и текстовый запрос и генерирующий текстовый ответ. Модель предназначена для визуального анализа документов и других изображений с большим объёмом текста. Исходное семейство Kosmos-2.5 также распознаёт текст с пространственными координатами и преобразует структуру и оформление документов в Markdown; карточка этой версии отдельно указывает обучение для задач VQA. Модель доступна в формате Safetensors и используется через Transformers версии 4.56 или новее. Поддерживаемый язык карточки — английский. Модель может ошибаться и галлюцинировать, поэтому результаты распознавания и ответы по содержимому изображения требуют проверки. Лицензия — MIT.

Карточка модели 0xSojalSec/Reasoning-OCR на Hugging Face совпадает с карточкой numind/NuMarkdown-8B-Thinking, поэтому описание составлено по ней. NuMarkdown-8B-Thinking — мультимодальная модель Numind для распознавания и структурированного извлечения содержимого из документов. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала на синтетических примерах «документ — рассуждение — Markdown», затем с помощью GRPO с наградой, ориентированной на структуру и компоновку документа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и рассчитана на контекст до 128 000 токенов. Модель принимает изображения документов и преобразует их в аккуратный Markdown, уделяя внимание сложной разметке и таблицам. В ходе генерации она использует промежуточные рассуждения о структуре страницы; их объём зависит от сложности задачи. Такой формат вывода подходит для подготовки документов к индексации и поиску с дополненной генерацией (RAG). Модель распространяется по лицензии MIT. Её назначение — извлечение текста и структуры из документов; README описывает сравнительные результаты, но не приводит подробностей методики оценки, поэтому заявленные преимущества на сложных документах следует проверять на собственных данных.

LensVLM-9B — мультимодальная модель зрения и языка на 9 млрд параметров, разработанная Apple и дообученная на базе Qwen/Qwen3.5-9B. Она анализирует сжатые изображения с текстом и с помощью обученных инструментов выборочно раскрывает страницы в исходном разрешении, когда нужны дополнительные детали. Модель предназначена для извлечения и анализа текста из визуальных документов, особенно когда нужно находить релевантные страницы в большом наборе сжатых изображений и детально изучать только их. Архитектура — плотная Qwen3.5 для генерации текста с изображениями; репозиторий содержит веса Safetensors и рассчитан на Transformers. Метаданные относят модель к задаче image-text-to-text и указывают поддержку диалога и зрения. Модель выпущена по лицензии Apple AMLR. README не сообщает языки, длину контекста и количественные результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

OCRFlux-3B — предварительная версия мультимодальной модели ChatDOC для извлечения содержимого из PDF-файлов и изображений страниц в чистый Markdown. Модель дообучена на Qwen2.5-VL-3B-Instruct с использованием закрытых наборов документов и части olmOCR-mix-0225. Она построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для распознавания и разбора страниц документов, включая таблицы, абзацы и их структуру, а также для объединения фрагментов таблиц и текста, разделённых между страницами. По README, для запуска достаточно GPU уровня GTX 3090, а комплект OCRFlux поддерживает пакетную обработку документов через vLLM. Карточка приводит результаты внутренних бенчмарков, но они не гарантируют такое же качество на документах других типов. Входные данные — изображения, в том числе страницы PDF; результат — структурированный текст, обычно Markdown. Данные бенчмарков включают английские и китайские документы, однако метаданные карточки указывают английский язык, поэтому поддержка других языков не предполагается сверх явно описанного. Условия лицензирования в предоставленных источниках не описаны.

HuggingFaceM4 опубликовала дообученную на наборе Docmatix модель Microsoft Florence-2 для ответов на вопросы по документам и изображениям. README сообщает, что обучение длилось один день и использовало 5% данных Docmatix с learning rate 1e-6; библиотека для работы с моделью — Transformers, веса представлены в формате safetensors. Модель принимает изображение и текстовый запрос и формирует текстовый ответ. Карточка указывает английский язык и лицензию MIT. В метаданных базовой моделью названа microsoft/Florence-2-base-ft, тогда как README указывает Florence-2-large-ft; точный размер и контекст в предоставленных данных не приведены.

Nanonets-OCR2-1.5B-exp-i1-GGUF — это квантованная версия мультимодальной модели Nanonets-OCR2-1.5B-exp, разработанной nanonets и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для оптического распознавания символов, преобразования изображений и документов в текст, конвертации PDF в Markdown и выполнения задач визуального вопросно-ответного взаимодействия (VQA). Это vision-модель, поэтому для работы могут потребоваться отдельные файлы mmproj. Модель имеет размер около 1,5 млрд параметров в исходной версии, поддерживает мультиязычные сценарии, однако конкретный перечень языков и размер контекстного окна в README не указаны. Доступны варианты квантования i1 с размерами примерно от 0,4 до 0,9 ГБ, включая IQ- и Q-форматы. Более сильное квантование обычно сохраняет больше качества, тогда как малые варианты экономят память, но могут заметно уступать по качеству; для баланса размера, скорости и качества рекомендованы i1-Q4_K_M и i1-Q4_K_S. Сильные стороны модели — компактность, поддержка обработки изображений и документов, а также широкий выбор квантованных вариантов для запуска на устройствах с ограниченными ресурсами. Ограничения включают потенциальную потерю качества при низких уровнях квантования, необходимость совместимого vision-инструментария и отсутствие в README подробных данных о точности, архитектуре, контекстном окне и языковом покрытии. Модель распространяется под лицензией Apache-2.0.