III.7Аудит, внутренний контроль и налоги

proxima-ocr-d.markdown-post3.0.l — экспериментальная мультимодальная модель для обработки документов, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения документов и преобразует их в Markdown, HTML-Markdown и структурированные представления, восстанавливая порядок разделов, таблицы, формы, многоколоночную верстку и математические выражения. Модель предназначена для OCR, извлечения таблиц и полей форм, восстановления разметки многостраничных документов, а также вопросов и поиска по их содержимому. В README заявлена поддержка технических фрагментов, включая код и формулы LaTeX; языком карточки указан английский. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0. Это ранняя экспериментальная версия: автор предупреждает о возможных артефактах. Точность может снижаться на повреждённых сканах и мало представленных языках, а сложная ориентация блоков и нерегулярная верстка могут требовать дополнительной обработки. Для длинных последовательностей и многостраничных документов требуется значительный объём видеопамяти.

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.

DSE-Phi3-Docmatix-V1 — биэнкодер для поиска документов по плотным векторным представлениям, разработанный командой Tevatron. Он кодирует скриншоты документов, сохраняя текст, изображения и структуру страницы, а также поддерживает кодирование текстовых запросов и документов. Модель обучена на части набора Tevatron/docmatix-ir и предварительно обучена на Tevatron/msmarco-passage-aug; она предназначена для поиска документов и ответов на вопросы по документам, включая сценарии с PDF. В zero-shot оценке на ViDoRE модель достигла 74,1 nDCG@5 без дообучения на данных ViDoRE. Модель основана на Phi-3 Vision, имеет 3,7 млрд параметров и контекстное окно 4096 токенов. Для поиска она преобразует запросы и документы в плотные векторы, сходство которых можно использовать для ранжирования. Лицензия — MIT.

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.

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.

Mini-Monkey — компактная мультимодальная языковая модель, разработанная Mingxin Huang, Yuliang Liu, Dingkang Liang, Lianwen Jin и Xiang Bai. Она основана на архитектуре InternVL Chat и предназначена для диалога с пользователем по изображениям и понимания визуальных данных. Модель применяет стратегию адаптивного многомасштабного кадрирования MSAC, чтобы получать представления объектов на разных масштабах, и механизм сжатия SCM, уменьшающий число визуальных токенов. Авторы сообщают о сильных результатах на общих задачах понимания изображений и задачах работы с документами, включая OCR, диаграммы и визуальные вопросы и ответы. В README заявлены результаты на уровне моделей с большим числом параметров, однако количественный размер именно этой модели в предоставленных метаданных и тексте карточки не указан. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она рассчитана на визуальные вопросы и ответы, распознавание текста и извлечение сведений из документов, диаграмм и графиков. Репозиторий распространяет веса в формате safetensors; лицензия — MIT.

Ovis1.6-Gemma2-27B — мультимодальная языковая модель семейства Ovis, разработанная командой Ovis. Она сочетает визуальный энкодер SigLIP-400M с Gemma2-27B-It и структурно согласует визуальные и текстовые представления. Модель содержит 29 млрд параметров и предназначена для диалоговой работы с изображениями и текстовыми инструкциями. Модель подходит для анализа сложных изображений, ответов на вопросы по документам, графикам и таблицам, распознавания китайского и английского текста на изображениях, а также мультимодальных рассуждений. В README приведены результаты на ChartQA, InfoVQA и DocVQA. Репозиторий содержит веса в формате safetensors; для запуска указана библиотека Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2. Модель может ошибаться в визуальном анализе и рассуждениях; авторы также не гарантируют полного отсутствия проблем с авторскими правами или некорректного контента.

webAI-ColVec1-4b — мультимодальная модель поиска по документам от webAI, дообученная на базе Qwen/Qwen3.5-4B. Она кодирует текстовые запросы и изображения страниц документов в согласованные многовекторные представления для поиска релевантных страниц по содержимому. Для вычисления оценок используется позднее взаимодействие в стиле ColBERT: MaxSim сопоставляет токены запроса с токенами документа. Архитектура включает общую языковую модель с обработкой визуальных токенов и обучаемую линейную проекцию размерности 640. Модель предназначена для мультиязычного поиска по визуальным документам и демонстрирует результаты на наборах ViDoRe V1 и V3. Её можно использовать для поиска по изображениям страниц, включая страницы PDF, по запросам на естественном языке. Выход модели — нормализованные многовекторные представления; итоговую оценку релевантности получают отдельным расчётом MaxSim. Для загрузки и запуска используется Transformers, веса представлены в safetensors. В README указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории. Авторы отмечают, что доступна более новая версия webAI-ColVec1.1-4b.

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.

SauerkrautLM-ColLFM2-450M-v0.1 — компактная модель визуального поиска по документам от VAGO Solutions. Это дообученная версия LiquidAI/LFM2-VL-450M с архитектурой ColLFM2 и 450 млн параметров, предназначенная для сопоставления текстовых запросов со страницами документов по их визуальному содержимому. Модель преобразует запросы и изображения документов в многовекторные представления для поиска с поздним взаимодействием. Такой подход помогает учитывать структуру страниц, таблицы, графики и формы без отдельного этапа OCR. В карточке приведены результаты на наборах ViDoRe и MTEB, включая многоязычные задания. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Для загрузки авторы предлагают пакет sauerkrautlm-colpali и примеры использования с sentence-transformers. В репозитории указана лицензия other; её конкретные условия следует проверить перед использованием. Модель рассчитана на поиск релевантных страниц по текстовым запросам, а не на генерацию ответов или текста.

SmolDocling-256M-preview — компактная мультимодальная модель команды Docling и IBM Research для преобразования документов из изображений в структурированный текст. Она основана на SmolVLM-256M-Instruct и архитектуре Idefics3; размер модели — 256 млн параметров. Модель принимает изображение документа и текстовую инструкцию, а результат представляет в формате DocTags, совместимом с DoclingDocuments и пригодном для экспорта в Markdown, HTML и JSON. Модель распознаёт текст, таблицы, формулы, код, графики и другие элементы страниц, сохраняет структуру и координаты областей, связывает подписи с иллюстрациями и группирует элементы списков. Подходит для конвертации научных и обычных документов, включая обработку целой страницы и OCR выбранной области. Основной язык — английский. Для инференса доступны Transformers, vLLM и ONNX; в README сообщается о средней скорости 0,35 секунды на страницу на GPU A100. Модель опубликована по лицензии CDLA-Permissive-2.0. Это предварительная версия: в README упомянуты планы улучшить распознавание графиков и добавить обработку нескольких страниц за один вызов; распознавание химических структур обозначено как предстоящая возможность. Новая модель granite-docling-258M названа преемником SmolDocling.

AREX-Turbo — компактная модель-агент для глубокого исследования, разработанная Beijing Academy of Artificial Intelligence (BAAI). Это плотная модель на 4 млрд параметров, дообученная на Qwen/Qwen3.5-4B; она поддерживает контекст до 262 144 токенов и предназначена для многоэтапного поиска информации с использованием инструментов. Модель собирает и сопоставляет сведения из источников, формирует предварительный ответ, проверяет его по заданным ограничениям и при необходимости уточняет или начинает исследование заново. Она также обновляет контекст исследования, сохраняя проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы. AREX-Turbo рассчитана на сценарии, где важны стоимость обслуживания и скорость итераций; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель основана на Qwen3.5-4B и выпущена в формате safetensors для Transformers. В карточке заявлены сценарии поиска, просмотра источников, интеграции свидетельств и построения ответов; оценки приведены для длинных исследовательских задач с инструментами. Лицензия — Apache-2.0. README не описывает отдельные ограничения качества или безопасности.

litert-community/Qwen2-VL-2B — это квантизированная on-device-версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Alibaba Qwen и преобразованной в формат LiteRT-LM для запуска на устройствах и настольных системах. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; предназначена для локального анализа изображений, визуальных вопросов и ответов, описания сцен, подсчёта объектов, чтения документов и OCR. Архитектура включает vision encoder Qwen2-VL ViT с 32 слоями и размерностью 1280, адаптер PatchMerger и языковой декодер Qwen2-1.5B с 28 слоями, скрытым размером 1536 и GQA. Vision encoder использует фиксированный размер изображения 672×672 и формирует 576 визуальных токенов. Весовые параметры vision-части квантизированы до int8, декодера — до int4; размер файла составляет около 1,78 ГБ. Контекст KV-кэша — 4096 токенов. Поддерживаются одно или несколько изображений, а запуск возможен на macOS, Linux, Windows и совместимых мобильных устройствах через LiteRT-LM. Сильные стороны модели — локальная обработка без передачи изображений на сервер, хорошее описание сцен и ответы на общие вопросы, чтение текста в документах, подсчёт объектов и работа с таблицами. В описанных проверках она показывала точную транскрипцию синтетического документа и корректное визуальное заземление. Ограничение связано с тем, что runtime использует последовательные одномерные позиции вместо исходного M-RoPE: модель может правильно прочитать ячейки таблицы, но ошибиться при сравнении значений между строками и столбцами. Изображения принудительно приводятся к размеру 672×672, что также может ограничивать работу с мелкими деталями. Модель распространяется по лицензии Apache-2.0.

TableGPT2-7B — языковая модель Zhejiang University для анализа таблиц и задач, связанных со структурированными данными. Это дообученная модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она принимает текст и табличные данные, представленные в текстовом виде, например как результат df.head(), и формирует текстовые ответы. Модель предназначена для интерпретации таблиц, генерации кода, ответов на вопросы бизнес-аналитики и обработки запросов к базам данных и хранилищам. В карточке заявлена длина контекста 32 768 токенов; README приводит для обучения конфигурации контекст в 128K токенов, поэтому фактический предел использования следует сверять с настройками конкретной сборки. Модель отдельно описана как декодер, способный работать без специализированного семантического энкодера, интеграция которого ещё готовится. Основной акцент обучения сделан на китайских данных; поддержка других языков, включая английский, может быть ограниченной. Данные обучения имеют срез на октябрь 2024 года, поэтому модель не отражает более поздние сведения. Распространяется по лицензии Apache-2.0.

SaMer K64 ColQwen2 — адаптерный чекпойнт для визуального поиска по документам, разработанный авторами проекта SaMer. Он применяется к базовой модели vidore/colqwen2-v1.0-hf и объединяет визуальные токены в 64 пространственно-осведомлённых мягких центроида, сохраняя признаки объектов, важные для поиска. При выводе использует проекционный слой и пользовательскую обёртку с trust_remote_code; веса базовой модели в репозитории не распространяются и загружаются отдельно. Модель предназначена для поиска релевантных страниц документов, включая PDF, по текстовым запросам. Обучение адаптера использовало только функцию потерь для retrieval; конфигурация включает три итерации кластеризации, пространственный вес 0,1 и температуру назначения 0,07. Репозиторий содержит веса в формате safetensors. Лицензия адаптера — Apache-2.0; для базовой модели необходимо соблюдать её собственные условия использования.

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.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

KarantaOCR — мультимодальная модель распознавания и обработки документов, созданная разработчиками проекта KarantaOCR на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель содержит 3,1 млрд параметров и дообучена по двухэтапной схеме: сначала на общих OCR-данных, затем на PDF-документах на африканских языках. Модель извлекает текст из PDF, включая таблицы и документы со сложной вёрсткой, несколькими колонками, колонтитулами и сочетанием сканируемого и цифрового текста. Её ключевой акцент — точная передача диакритики и специальных символов в африканских языках; также заявлена поддержка английского и других распространённых языков. Для распознавания страницы PDF её нужно представить модели как изображение и использовать структурированный запрос. Модель использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. README приводит результаты на OCR-бенчмарках, но они зависят от типа документа и не гарантируют точность на конкретных данных. Репозиторий распространяется по лицензии Apache-2.0.

CHAI OCR — экспериментальная мультимодальная модель для распознавания текста и анализа документов, созданная на основе Qwen 3.5 4B VL. В ней применено слияние task arithmetic: адаптация визуального энкодера усилена коэффициентом 1,25, а языковая модель, MTP-голова и эмбеддинги сохранены от настроенного исходного чекпойнта. Изменены 297 тензоров визуального энкодера, около 333 млн параметров. Модель предназначена для OCR сканов, включая старые и повреждённые документы, а также для анализа структуры страниц, таблиц, форм и многоколоночных материалов. Она принимает изображения и текстовые запросы, выдаёт текстовые ответы. В README приведён экспериментальный результат бенчмарка, но модель обозначена как непроверенная; усиление визуальной адаптации может как улучшить OCR, так и ухудшить другие возможности. Лицензия в доступных данных не указана.

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.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

google/paligemma-3b-ft-ocrvqa-896 — модель семейства PaliGemma от Google, дообученная для визуальных вопросов и ответов с чтением текста на изображениях (OCR-VQA). Это компактная модель «изображение-текст»: принимает изображение и текстовый запрос, а в ответ генерирует текст. Архитектура PaliGemma объединяет визуальный энкодер SigLIP и языковую модель Gemma; вариант рассчитан на разрешение изображений 896 пикселей по названию репозитория. Модель предназначена для одношагового взаимодействия: можно задавать вопросы об изображении, включая вопросы, требующие распознавания надписей, и получать текстовый ответ. Она не рассчитана на многоходовый диалог и лучше подходит для специализированных сценариев с чёткими запросами, чем для свободного общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки, а качество снижается на сложных или неоднозначных запросах, тонких языковых нюансах и задачах, требующих здравого смысла. Модель может наследовать смещения обучающих данных; для использования в продуктах необходимы проверка ответов и меры безопасности.

VARCO-VISION-2.0-1.7B-OCR — компактная OCR-модель от OpenLLM-Korea для распознавания текста на изображениях с определением положения каждого символа. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2 с языковой моделью Qwen3-1.7B; модель рассчитана на распознавание корейского и английского текста, в том числе в смешанных документах. Модель выдаёт распознанные символы с координатами их ограничивающих рамок, что позволяет сохранять пространственную структуру текста и использовать результат для последующей обработки документов. Она предназначена для OCR в реальном времени и сценариев с ограниченными вычислительными ресурсами. В README приведены результаты на CORD, ICDAR2013 и ICDAR2015; показатели различаются между наборами данных. Для работы рекомендуется Transformers версии 4.53.1 или выше; для небольших изображений авторы советуют увеличить длинную сторону как минимум до 2304 пикселей. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

Pleias-Pico — компактная языковая модель PleIAs на 353,4 млн параметров для генерации ответов в системах поиска с дополненной генерацией (RAG). Это плотная авторегрессионная модель семейства Llama, дообученная продолжением предобучения базовой Pleias-350m на 45 млрд токенов данных Common Corpus с примерами поисковых и RAG-задач. Длина контекста — 2048 токенов. Модель принимает запросы и предоставленные источники в специальной структурированной форме, анализирует релевантность и качество источников и генерирует ответы с цитатами и выдержками, привязанными к исходным материалам. Поддерживаются английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, латинский и польский языки. Разработчик сообщает об улучшении фактической точности и проверяемости ответов в RAG-сценариях; модель также применялась в проектах PleIAs. Модель распространяется с лицензией Apache-2.0. Она не заменяет полноценную RAG-систему: ошибки поиска, сложные документы и запросы могут ухудшить ответы, а цитаты следует проверять. Дополнительное выравнивание безопасности не проводилось; возможны предвзятые или проблематичные ответы, несмотря на заявленный низкий уровень токсичности.

LFM2-350M-Extract-GGUF — языковая модель компании Liquid AI, основанная на LFM2-350M и распространяемая в формате GGUF. Она предназначена для извлечения важной информации из неструктурированных документов, включая статьи, расшифровки и отчёты, с преобразованием результатов в структурированные форматы JSON, XML или YAML. Модель подходит для извлечения реквизитов счетов из электронных писем, преобразования нормативной отчётности в XML, структурирования обращений в службу поддержки для аналитических конвейеров, а также наполнения графов знаний сущностями и их атрибутами. В названии указано, что это вариант размером 350M параметров. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. К сильным сторонам относятся специализация на извлечении данных и удобный для локального запуска формат GGUF, совместимый с llama.cpp. Ограничения включают отсутствие в предоставленных данных сведений о размере контекста, точной архитектуре, количественных показателях качества и поддерживаемых модальностях помимо текста. Модель распространяется по лицензии lfm1.0; подробные условия следует уточнять в файле LICENSE.

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.

ViFortune-AI разработала объединённую мультимодальную модель на основе языковой части Qwen3 и визуальной ветви Qwen2.5-VL-3B-Instruct. По метаданным репозитория, модель содержит 589,7 млн параметров, использует архитектуру Qwen2.5-VL и доступна в форматах PyTorch и safetensors. Она принимает изображения и текст, а также, согласно README, видео; может описывать визуальные сцены, распознавать текст и структуру документов, анализировать графики и скриншоты интерфейсов, а также формировать структурированные ответы, например данные таблиц и форм. Модель предназначена для диалоговых задач с визуальным содержимым и обработки длинного контекста. В README заявлена длина до 32 768 токенов с возможностью расширения через YaRN; метаданные каталога указывают контекст 128 000 токенов. README также описывает возможности визуального агента и использования инструментов, однако примеры и оценки качества не приведены. Основные ограничения: расширение контекста через YaRN может ухудшать пространственную и временную локализацию; обработка видео в README ограничена локальными файлами. Лицензия в предоставленных данных не указана.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы в диалоге и генерации с дополнением извлечёнными сведениями (RAG). Она дообучена на базе Llama 3 и содержит дополнительные данные для улучшения ответов по документам, работы с таблицами и арифметических вычислений. В репозитории указаны 7,5 млрд параметров, архитектура Llama с плотной причинной языковой моделью, формат safetensors и контекст до 8192 токенов. Модель предназначена для сценариев, где вопрос сопровождается контекстом: документ можно передать целиком, если он помещается в контекст, либо предварительно извлечь релевантные фрагменты для длинных документов. Модель принимает текст и генерирует текст; карточка указывает английский язык. В README приведены результаты оценки на наборах для conversational RAG, включая Doc2Dial, QuAC и QReCC. Модель является дообучением NVIDIA Llama3-ChatQA-1.5-8B. Чекпойнты были первоначально обучены с Megatron-LM и конвертированы в формат Hugging Face. Лицензия — Llama 3 Community License. Результаты зависят от качества переданного контекста или поиска; заявленные улучшения арифметики и таблиц не гарантируют точность в каждом запросе.

InternVL2-26B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab. Она объединяет визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую модель internlm2-chat-20b; заявленный размер — около 25,5 млрд параметров. Модель предназначена для диалога по изображениям и видео, а также для анализа документов, диаграмм, инфографики и текста на изображениях, решения научных и математических задач. Модель принимает текст и изображения; видео может обрабатываться через кадры. Она обучена на контекстном окне 8k и данных с длинными текстами, несколькими изображениями и видео. README заявляет конкурентные результаты на мультимодальных бенчмарках, включая задачи OCR и понимания документов. Метаданные отмечают поддержку многоязычного режима, но конкретные языки не перечислены. Репозиторий распространяется по лицензии MIT.

NVIDIA Nemotron Parse v1.1 — трансформерная модель vision encoder-decoder от NVIDIA для извлечения текста и понимания структуры документов по изображениям. Она формирует упорядоченные по потоку чтения структурированные аннотации: текст, типы элементов и ограничивающие рамки; распознаёт, в частности, заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения. Модель предназначена для разбора документов PDF и PPT, построения решений для поиска и курирования данных, а также подготовки данных для обучения и повышения точности систем на базе LLM и VLM. Архитектура включает визуальный кодировщик ViT-H, адаптер на одномерных свёртках и нормализациях для сжатия представления, а также декодер mBart из 10 блоков. В README заявлено, что модель готова к коммерческому применению. Лицензия репозитория обозначена как other; условия использования токенизатора регулируются отдельной лицензией CC-BY-4.0. README не приводит число параметров, а само описание архитектуры не уточняет его.