III.7Аудит, внутренний контроль и налоги

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.

thelamapi/next-ocr-i1-GGUF — GGUF-версия модели Next OCR 8B, разработанной Lamapi. Это мультимодальная модель на базе thelamapi/next-ocr, предназначенная для распознавания текста на изображениях, в документах и снимках экрана, а также для анализа визуального содержимого по текстовым инструкциям. Модель содержит около 8 миллиардов параметров и ориентирована на OCR с поддержкой математических выражений, таблиц, форм, рукописного текста и сложной структуры документов. Заявлена поддержка более 30 языков, включая английский, турецкий, немецкий, испанский, французский, китайский, японский, корейский и русский. В README она описывается как эффективная и компактная instruction-tuned модель для понимания документов; максимальный размер контекста и точная схема квантования GGUF не указаны. Согласно приведённым в README результатам, модель показывает высокие показатели на OCR-бенчмарках, мультиязычном распознавании, работе с таблицами, рукописным и сценовым текстом, однако методика оценки и независимое подтверждение этих результатов не представлены. Для работы требуется передавать одновременно изображение и текстовый запрос. В метаданных указана лицензия Apache-2.0, но в README также присутствует бейдж MIT, поэтому условия лицензирования следует дополнительно уточнить.

Unlimited-OCR — мультимодальная модель оптического распознавания символов, разработанная авторами проекта при поддержке команды Baidu Cloud. Она предназначена для распознавания и разбора текста на изображениях, в том числе для длинных документов и сценариев, где требуется обработать содержимое за один проход. Модель имеет плотную архитектуру UnlimitedOCRForCausalLM и содержит 559,7 млн параметров; заявленное контекстное окно — 32 768 токенов. Поддерживает работу через Transformers, vLLM и SGLang. Модель принимает изображения и формирует текстовый результат, а также может использоваться для генерации текста. Карточка характеризует её как мультиязычную, но конкретные языки не перечислены. Репозиторий распространяется в формате safetensors по лицензии MIT. Практические требования включают совместимое GPU-окружение; README приводит конфигурации на базе CUDA.

unsloth/DeepSeek-OCR — адаптированная для запуска и дообучения через актуальные версии Transformers копия DeepSeek-OCR, опубликованная Unsloth. В README указано, что изменения обеспечивают совместимость с Transformers и не влияют на точность. Это плотная мультимодальная модель семейства DeepSeek-VL-v2 с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Модель предназначена для распознавания текста и извлечения содержимого из изображений документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в текстовой форме; среди поддерживаемых задач также указана генерация текста. Контекст модели составляет 8192 токена, а карточка помечает её как многоязычную. Модель можно запускать и дообучать через Transformers; README также упоминает поддержку vLLM для ускорения инференса и обработки PDF. Репозиторий содержит веса safetensors. Лицензия — MIT. README не приводит подробных оценок качества или перечня поддерживаемых языков.

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.

Llama-3.1-Nemotron-Nano-VL-8B-V1 — разработанная NVIDIA мультимодальная модель для анализа изображений и документов. Она сочетает визуальный энкодер C-RADIOv2-H с языковой моделью Llama-3.1-8B-Instruct и принимает одно RGB-изображение вместе с текстовым запросом, выдавая текстовый ответ. Поддерживает английский язык и контекст до 16 тысяч токенов; изображения обрабатываются в раскладке до 12 плиток размером 512 × 512 пикселей. Модель предназначена для суммирования изображений, OCR, вопросов и ответов по изображению, анализа текста и изображений, а также рассуждений по визуальному содержимому. NVIDIA указывает сценарии развертывания в дата-центре, облаке и на периферийных устройствах; для работы предусмотрена интеграция с TensorRT-LLM. Модель представлена в формате safetensors, а лицензия указана как other; перед использованием следует свериться с условиями NVIDIA. Ответы могут содержать ошибки, вводящую в заблуждение информацию или нежелательные смещения. Модель обучалась на коммерческих изображениях; для производственного применения следует оценить её соответствие конкретной отрасли и обеспечить проверку результатов и меры безопасности.

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 servantofares/Unlimited-OCR на Hugging Face совпадает с карточкой netfarm/Unlimited-OCR, поэтому описание составлено по ней. Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

NeoMME-260M-Retriever — мультимодальная мультиязычная модель для поиска документов, разработанная Hcompany и дообученная на базе Hcompany/NeoMME-260M. Она использует один двунаправленный Transformer-энкодер для запросов и документов, представленных текстом или изображениями страниц. За один проход модель формирует плотные и многовекторные представления: плотные сравниваются по косинусному сходству, а многовекторные оцениваются методом MeanMaxSim. Модель предназначена для поиска по текстовым коллекциям и визуальным документам, включая страницы, представленные скриншотами. Обучение сочетает контрастивную настройку для позднего взаимодействия и плотного поиска с Matryoshka-подходом. Модель содержит 366 млн параметров, принимает контекст до 16 384 токенов и доступна в формате safetensors для библиотеки Transformers. Указана лицензия Apache-2.0.

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.

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.

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.

Llama3-ChatQA-1.5-70B — разговорная языковая модель NVIDIA для ответов на вопросы, в том числе по документам с использованием retrieval-augmented generation (RAG). Она построена на базе Llama 3 и обучена по улучшенной методике из работы ChatQA; дополнительное обучение на данных разговорного вопросно-ответного взаимодействия улучшает ответы по таблицам и арифметические вычисления. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Модель рассчитана прежде всего на ответы с предоставленным контекстом: можно передать документ целиком, если он помещается в контекст, или добавить найденные поиском фрагменты. Она также поддерживает диалоговые вопросы без контекста. Рекомендуется использовать указанный авторами формат диалога. Контекстное окно — 8192 токена; модель принимает текст и генерирует текст. Карточка приводит результаты оценки на наборах для conversational QA и RAG. Модель предназначена для англоязычных сценариев. Веса опубликованы в формате safetensors, а лицензия — Llama 3 Community License. Это производная от базовой Llama 3 модель, поэтому условия её использования определяются лицензией Llama 3; перед применением следует учитывать её ограничения.

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.

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.

TomoroAI/tomoro-colqwen3-embed-8b — мультимодальная модель эмбеддингов для поиска по визуальным документам, созданная TomoroAI на основе Qwen/Qwen3-VL-8B-Instruct. Модель дообучена на наборах данных для поиска по документам и использует подход ColPali с поздним взаимодействием векторов и оценкой MaxSim. Архитектура включает вариант Qwen3-VL на 8 млрд параметров и проекционную голову размерностью 320. Модель кодирует текстовые запросы и изображения документов, включая страницы PDF, в многовекторные представления для поиска по содержимому страниц; также поддерживается поиск по коротким видео. Для страницы допускается до 1280 визуальных токенов, для видео — до 5120. README сообщает о конкурентных результатах на ViDoRe V1–V3 на английском и нескольких языках; модель предназначена для извлечения релевантных документов, а не для генерации ответов. Входы включают текст и изображения, а в сценариях поиска по коротким видеороликам — видео; выход — векторные представления и оценки релевантности. Модель опубликована под лицензией Apache-2.0. Для загрузки в README используется trust_remote_code=True, а пример запуска предусматривает значительные вычислительные ресурсы для модели на 8 млрд параметров.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, представленная командой DeepSeek. Это вариант vision-language модели на архитектуре Mixture-of-Experts (MoE), построенный на DeepSeekMoE-3B и использующий 1,0 млрд активируемых параметров. В репозитории доступны веса safetensors для Transformers. Модель предназначена для анализа изображений в диалоге и отвечает на вопросы по визуальному содержимому. Она подходит для визуального вопросно-ответного поиска, распознавания текста на изображениях, а также разбора документов, таблиц и диаграмм. В README также заявлена возможность visual grounding — связывания текста с областями изображения. Для Tiny изображения подаются с приведением к размеру 384×384 без разбиения на фрагменты; базовая языковая модель отличает эту версию от вариантов Small и полной версии. В предоставленных источниках нет сведений о длине контекста или поддерживаемых языках. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией в репозитории.

GOT_CPU — версия модели General OCR Theory (GOT), опубликованная пользователем srimanth-d. Это плотная модель класса GOTQwenForCausalLM с 463,8 млн параметров, предназначенная для OCR: извлечения текста из изображений и мультимодальных задач, связанных с распознаванием документов. В карточке указано использование через Transformers; README описывает запуск инференса на CPU. Модель принимает изображения и текстовые запросы и генерирует текстовый результат. Метаданные относят её к многоязычным моделям и указывают контекстное окно 32 768 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Среди возможных ограничений: качество распознавания может зависеть от языка, качества изображения и типа документа; README не приводит результаты оценки или подробности о поддерживаемых языках.

Kaleidoscope_large_v1 — дообученная модель 2KKLabs на базе ruBert-large для извлечения ответов на вопросы по тексту документа. Она принимает вопрос вместе с контекстом документа и предсказывает фрагмент текста, отвечающий на вопрос; в обучении использовались примеры с контекстом, вопросом и ответом, а длинные тексты обрабатывались скользящим окном. Модель предназначена для поиска сведений в документах, поддержки пользователей и систем вопросов и ответов. Архитектура — BERT, около 525,7 млн параметров, контекст — 512 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Основной язык — русский; README также заявляет поддержку английского, но указывает, что она не тестировалась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Kev-27B — модель принятия решений, разработанная Jared Palmer. Она обрабатывает один документ или другое текстовое состояние и набор типизированных вопросов с заданными вариантами ответа, а затем за один проход выдаёт вероятности для вариантов, наиболее вероятный ответ и оценку уверенности. Модель предназначена для классификации, маршрутизации и проверки документов, а также для сценариев, где уверенные случаи можно автоматизировать, а сомнительные отправлять на проверку человеку. Она поддерживает API TypeSafe System One и совместима с его SDK. В основе — плотная текстовая архитектура Qwen3.8-27B с 22,3 млрд параметров: причинный языковой backbone работает в режиме без генерации текста, а указательная голова оценивает заданные варианты. Все веса backbone дообучены; версия 2 получена усреднением полновесной тонкой настройки с версией 1. Модель рассчитана на английский язык и состояния до 65 536 токенов; для длинных входов требуется мощное оборудование, включая GPU класса 80 ГБ или Mac с достаточной памятью. Распространяется по лицензии Apache-2.0. Модель возвращает оценки только для переданных вариантов и не предназначена для свободной генерации, чата, суммаризации или открытых вопросов. На коротких состояниях версия 2 не превосходит v1, а на длинных контрактах может быть менее точной и чрезмерно уверенной; калибровку следует проверять на данных конкретного применения. Для решений с юридическими, медицинскими, финансовыми или иными серьёзными последствиями нужна проверка человеком.

xbikevn/LightOnOCR-2-1B-vi-vllm — дообученная версия LightOnOCR-2-1B от LightOn, опубликованная пользователем xbikevn. Это компактная мультимодальная модель семейства Mistral3 для распознавания текста и структуры документов по изображениям и страницам PDF. В метаданных Hugging Face указан тег text-generation и возможность диалогового взаимодействия; карточка не приводит подробностей о датасете и оценке качества. Модель подходит для извлечения текста и структуры из документов, если этот сценарий подтверждён возможностями базовой модели. Она принимает текстовые запросы и изображения, а результат выдаёт в текстовом виде. Лицензия — Apache-2.0. README не раскрывает специальные ограничения или характеристики именно этого дообучения.

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.

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.

Argus-Colqwen3.5-4b-v0-bf16 — модель визуального поиска по документам, разработанная группой Data Science Университета Инсбрука. Это дообученная и объединённая с базовой моделью версия Qwen/Qwen3.5-VL-4B-Instruct в формате bfloat16; архитектура Argus использует разреженную смесь экспертов с маршрутизацией, зависящей от визуальных областей страницы и запроса. Модель формирует 1024-мерные векторные представления токенов и рассчитана на страницы с объёмом до 2048 визуальных токенов. Модель предназначена для извлечения релевантных страниц и фрагментов в системах визуального поиска по документам, включая сценарии вопросов и ответов по PDF и отчётам. В README приведены результаты на ViDoRe: сильные показатели на английских наборах v1 и конкурентные результаты на v2. Версия bf16 занимает около 8,8 ГБ и удобнее для развёртывания на ограниченных по памяти GPU, но при объединении LoRA потеряла небольшую долю точности относительно версии fp32. Модель ориентирована преимущественно на английские документы; ViDoRe v3 для неё не оценивался. Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Для запуска README рекомендует Transformers версии 5 и указывает Flash Attention как дополнительную зависимость.

Clef-Flash — мультимодальная модель на 9 млрд параметров, разработанная Cloudflare и дообученная на основе Qwen/Qwen3.5-9B. Она оценивает ситуацию и набор типизированных вопросов, а затем за один проход выдаёт вероятности допустимых ответов: «да/нет», выбор из вариантов или оценку по упорядоченной шкале. Модель не генерирует произвольный текст; выходные оценки формируются совместной схемной головой, которая связывает свидетельства из входных данных с вопросами. На вход модель принимает текст, JSON, изображения и видео; текстовые и мультимодальные записи можно объединять в одном пакете. Для текстового ввода максимальная длина по умолчанию составляет 16 384 токена, а границу для описания ситуации можно задавать отдельно. Модель предназначена для структурированных решений, классификации и оценивания, в том числе в бизнес-процессах и сценариях выбора действий. Она совместима с API Jev и SystemOne и распространяется под лицензией Apache-2.0. Ограничение модели — ответы возможны только в рамках заданных вопросов и допустимых вариантов, поэтому она не подходит для свободного диалога или генерации произвольных объяснений. Качество зависит от формулировок вопросов, описаний вариантов и входных данных; обработка изображений и видео требует соответствующего мультимодального процессора.

LightOnOCR-2-1B-viv2 — дообученная модель на основе lightonai/LightOnOCR-2-1B, опубликованная пользователем xbikevn. Она предназначена для распознавания текста и структуры документов на изображениях и страницах PDF; в карточке Hugging Face задача указана как text-generation, а каталог описывает базовую модель как мультиязычную vision-language модель. Модель использует плотную архитектуру семейства Mistral 3 и доступна в формате safetensors через Transformers. В метаданных нет сведений о размере контекста, языках этой версии, обучающем наборе или оценке качества. Указана лицензия Apache-2.0. README не описывает отличия дообучения viv2 от базовой модели и не приводит ограничений или результатов оценки.

MinerU2.5-2509-1.2B-GGUF — мультимодальная модель для анализа и разбора документов, разработанная OpenDataLab. Она предназначена для преобразования изображений документов и текстовых запросов в текстовые ответы, в частности для эффективного высокоразрешающего парсинга документов. Модель основана на архитектуре с разделёнными компонентами обработки зрения и языка (decoupled vision-language model), имеет размер 1,2 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В карточке указаны поддерживаемые языки китайский и английский, а тип конвейера — image-text-to-text. Длина контекста, точный набор поддерживаемых форматов документов и сведения о конкретном уровне квантования не указаны. К сильным сторонам относятся ориентация на обработку документов высокого разрешения, мультимодальный ввод и возможность использования компактной 1,2-миллиардной версии в экосистеме GGUF. Ограничениями являются неизвестные из карточки показатели качества, подробности архитектуры, контекстное окно и требования к ресурсам; качество также может зависеть от выбранной квантованной версии. Модель распространяется по лицензии AGPL-3.0, поэтому условия её использования и интеграции следует проверять с учётом требований этой лицензии.

Карточка модели Iambackup/Unlimited-OCR на Hugging Face совпадает с карточкой netfarm/Unlimited-OCR, поэтому описание составлено по ней. Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

MemAgent ReadTwice Rewrite-1024 Repair SFT — это объединённый чекпойнт Qwen2ForCausalLM класса 7B, обученный командой или автором репозитория Xirui1208 как продолжение SFT-модели ReadTwice Rewrite-1024. Модель предназначена для диалоговой генерации текста и ответов на вопросы по длинным документам с использованием протокола ReadTwice: текст обрабатывается секциями, а компактная память объёмом до 1 024 токенов полностью заменяется по мере чтения. В обучении использованы длинные сценарии исправления и задачи переноса между типами заданий. В README приведены результаты оценивания на контекстах до 448 тыс. токенов в протоколе ReadTwice, а также результаты на наборах LongBench. При этом собственный предел позиций конфигурации составляет 32 768 токенов; для длинных запросов в оценивании применялось масштабирование YaRN. Чекпойнт опубликован в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.