III.8Договоры, юридическая работа и compliance

Qwen2.5-7B-Sep_2c1t — модель SardineLab, выпущенная в рамках исследования Doc2FRC и предназначенная для многоязычного машинного перевода фрагментов документов с учётом контекста. Это полнопараметрическое дообучение Qwen/Qwen2.5-7B-Instruct методом supervised fine-tuning; модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. При обработке каждого фрагмента модель получает два предшествующих фрагмента исходного текста в отдельных секциях Context1 и Context2 и переводит текущий фрагмент в целевой язык. Поддерживаются переводы между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Обучение использовало фрагменты длиной 256–512 токенов; максимальная длина последовательности — 32 768 токенов. Модель работает с текстом и доступна в формате PyTorch через Transformers. Она подходит для контекстно-согласованного перевода частей длинных документов, где важно учитывать предшествующее содержание. Для воспроизведения схемы разбиения документов, настройки запросов и оценки авторы отсылают к материалам проекта Doc2FRC. Модель распространяется по лицензии Apache-2.0.

Reinsure-8B — языковая модель компании Reinsured.AI для страхования и перестрахования. Она дообучена на базе Llama 3.1 и предназначена для работы с перестраховочными договорами, структурой treaty, форматами bordereaux, стандартами лондонского рынка и страховой документацией. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и поддержку английского языка. Модель рассчитана на обработку формулировок договоров, извлечение полей из бордеро, классификацию страховых заявок и работу с андеррайтинговыми и убытковыми документами. Автор описывает возможность локального развёртывания на корпоративной GPU-инфраструктуре и использования через API; веса доступны в формате Safetensors с точностью 16 бит и совместимы с vLLM и TGI. Лицензия в предоставленных данных не указана.

KSAIA разработала эту англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Архитектура основана на BERT: модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью до 768, а близость текстов измеряется косинусным сходством. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

Это модель Sentence Transformers, дообученная автором репозитория на базе hiieu/halong_embedding для получения векторных представлений предложений и абзацев. В основе лежит XLM-RoBERTa; модель содержит 305,2 млн параметров, использует mean pooling и нормализацию и формирует эмбеддинги размерностью 768. Для сравнения текстов применяется косинусное сходство; матрёшечное обучение позволяет использовать укороченные представления размерностью 512, 256, 128 и 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки поиска по датасету dim_768 и вариантам меньшей размерности; обучение проводилось на 10 200 парах текстов. Максимальная длина последовательности по README — 512 токенов, метаданные указывают контекст 514 токенов. Примеры обучающих данных и название модели указывают на финансовую специализацию, но README не описывает её границы подробно. Лицензия в предоставленных данных не указана.

Qwen2.5-7B-Sep_1c1t — модель SardineLab для многоязычного машинного перевода на уровне фрагментов документов. Она создана полнопараметрическим дообучением Qwen/Qwen2.5-7B-Instruct на примерах из sardinelab/DocBlocks с разбиением текста на фрагменты фиксированного диапазона. Для перевода каждого текущего фрагмента модель учитывает один предшествующий фрагмент исходного текста, помогая сохранять контекст документа. Модель поддерживает перевод между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и контекстное окно 32 768 токенов. Она предназначена для сценария Sep_1c1t: один предыдущий контекстный фрагмент и один целевой фрагмент на каждый вызов; при обучении использовались фрагменты длиной 256–512 токенов. Для воспроизведения метода разбиения и процедуры оценки авторы отсылают к материалам статьи Doc2FRC и связанному репозиторию. Модель распространяется по лицензии Apache-2.0.

shaurya23102/insurance-embedding-model — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная пользователем shaurya23102. Она преобразует предложения и абзацы о страховании в плотные векторы размерностью 768 для поиска и сравнения по смыслу. Архитектура включает MPNet, усредняющий pooling и нормализацию; для сравнения векторов используется косинусное сходство. Модель принимает текст, имеет контекст до 514 токенов по метаданным и максимальную длину последовательности 384 токена в README. Модель предназначена для извлечения релевантных текстов, семантического поиска и ранжирования страховых документов или фрагментов. Обучение проведено на небольшом наборе из 91 примера с anchor, positive и negative парами; приведено 11 примеров для оценки, поэтому качество на широком наборе страховых запросов по карточке не подтверждено. Лицензия в предоставленных данных не указана.

bev-decider-0.4B — компактная модель принятия решений, разработанная автором репозитория avbiswas. Она принимает текстовое или JSON-состояние и типизированный вопрос с вариантами выбора, ответом «да/нет» или порядковой шкалой, а за один проход выдаёт вероятности либо ожидаемую оценку без генерации текста. Модель предназначена для классификации намерений и маршрутизации обращений, проверки правил и политик, а также извлечения решений из заданного контекста. Архитектура включает 20 слоёв Qwen3-0.6B с объединёнными весами дообученной LoRA и отдельную двухслойную attention-голову размерности 512. В карточке указано около 0,4 млрд параметров; модель хранится в safetensors и загружается через библиотеку bev-decider. Порядок вариантов не влияет на ответ по конструкции. Основной язык обучения — английский; обучающие состояния включали до 1 024 токенов. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение. В приведённых автором оценках модель достигает 74,7% на тесте типизированных решений и ECE 0,065 на sysone-bench; её вероятности можно применять для пороговых решений. Модель компактна и подходит для локального запуска на CPU или Apple Silicon. Слабее справляется с датами и арифметикой, исключениями из общих правил и пятиуровневой оценкой тональности; обучение преимущественно англоязычное, а длинные состояния за пределами указанного обучающего диапазона могут ухудшать результат.

Это экспериментальный чекпойнт Qwen3-4B, который yuhan-nlp независимо воспроизвёл на другом кластере. Модель с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров дообучена методом GRPO на задаче совместного написания документов CollabLLM medium; SFT-разогрев не использовался. Репозиторий содержит объединённый чекпойнт в формате Safetensors, который можно загружать напрямую через Transformers без отдельного адаптера. Модель предназначена для диалогового взаимодействия при подготовке документов. Контекст составляет 40 960 токенов, а карточка указывает английский язык. README не приводит метрик качества и отсылает за результатами к отдельным материалам benchmark_runs в репозитории yuhan-nlp/collabllm-medium-outputs. Лицензия — MIT.

SZL-Forge-1.5B-ReceiptAgent — диалоговая языковая модель компании SZL Holdings, дообученная методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct. Это модель-генератор текста на архитектуре Qwen2.5 с размером 1,5 млрд параметров; она принимает запросы в текстовом виде и предназначена для выдачи черновиков решений в виде JSON с привязкой к предоставленным свидетельствам и обязательным подтверждением человека. Встроенный сценарий ограничивает её предложением решения: она не должна завершать или исполнять действия и заявляет об отказе при запросах выйти за эти рамки. Модель рассчитана на работу внутри контроллера, например Alloy, который проверяет аргументы черновика, запрашивает одобрение человека и выполняет действия за пределами модели. В карточке сообщается о 100% соответствии схеме на 5 тестовых примерах и 100% отказов на 6 проверках; эти результаты представлены владельцем модели, а не независимой оценкой, и выборка мала. Модель не является источником достоверных чисел и не предназначена для автономного исполнения решений. Лицензия — Apache-2.0.

RegLLM — языковая модель компании dataeaze systems pvt ltd для ответов на вопросы о нормативных требованиях индийского банковского сектора. Модель основана на MistralForCausalLM и дообучена от Zephyr-7B-Beta с помощью доменной адаптации на неразмеченных данных и последующего инструкционного дообучения. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и поддержка диалогового режима. Модель предназначена для поиска разъяснений по банковским правилам Индии и может служить компонентом RegTech-приложений. Она рассчитана на английский язык и узкую предметную область; точность за её пределами не гарантируется. Разработчик рекомендует использовать её как вспомогательный инструмент, сверять ответы с первичными документами и предоставлять нормативные материалы для заземления. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование; для коммерческого применения следует связаться с разработчиком.

openjev-fincalc-4b — дообученная Тони Эспозито модель для проверки финансовых утверждений по предоставленным свидетельствам. Она сравнивает текстовое свидетельство с утверждением и классифицирует его как следующее из данных, противоречащее им или нейтральное. Специализация охватывает арифметические расчёты и финансовые показатели: LTV, DSCR, покрытие процентов, леверидж, маржу, достаточность капитала, чистый долг и ковенантные тесты. Модель построена на архитектуре Qwen3.5 с 4 млрд параметров; веса опубликованы в формате safetensors по лицензии MIT. Модель предназначена для первого этапа каскада проверки ответов в банковских и кредитных сценариях: она может отсеивать уверенные выводы, подкреплённые данными, и направлять сомнительные случаи более крупной модели. В тесте на синтетическом наборе FinCalc-NLI точность составила 63,2%; проверка арифметических ошибок и перенос на невиданные формулы остаются ограниченными. Данные теста синтетические и не подтверждают качество на реальных кредитных документах. Поддерживается английский язык; перед применением в кредитных решениях необходима проверка на собственных данных, и модель не рекомендуется как единственная проверка финансовых показателей.

ThakiCloud разработала FIN5 — дообученную модель на 27 млрд параметров для консультационных диалогов о ценных бумагах на корейском языке. Она предназначена для ответов с учетом принципа пригодности инвестиционных рекомендаций клиенту и обязательных раскрытий информации. Модель построена на архитектуре Qwen3.5 и использует текстовый ввод и генерацию текста; в каталоге указана поддержка корейского языка и библиотека Transformers. По README, в оценке на 200 синтетических примерах FIN5 показала долю успешных ответов по критерию пригодности 0,818 и 0 фактических ошибок; при этом охват обязательных раскрытий составил 0,905 без дополнительного механизма. Для проверки и дополнения раскрытий авторы предоставляют обязательный gate: заявленные показатели охвата 1,000 и ноль фактических ошибок относятся к связке модели с ним, а не к весам отдельно. Эти результаты ограничены размером и составом теста; для пригодности было оценено только 33 случая. Модель следует применять как вспомогательный инструмент для подготовки корейских консультаций по ценным бумагам, а не как самостоятельную систему соблюдения требований. README требует юридической проверки перед использованием в регулируемой среде и предупреждает, что генерация сама по себе не гарантирует раскрытие обязательной информации. Лицензия — Apache-2.0.

Qwen3.8-27B-CommercialLoan-MLX — специализированная языковая модель для вспомогательной оценки заявок на коммерческое кредитование предприятий. Она создана на основе Qwen3.8-27B и дообучена автором репозитория liuchen88 методом QLoRA. Модель предназначена для работы в MLX на компьютерах Apple Silicon и поставляется в формате BF16 с весами Safetensors. Модель ориентирована на китайский язык и сценарии корпоративного кредитного анализа. Она формирует трёхуровневое решение: одобрить, одобрить с условиями или отклонить заявку. Дополнительно модель анализирует финансовые показатели, выявляет риски, предлагает условия снижения рисков и объясняет принятое решение. В описании заявлено правило безусловного отказа при наличии исполнительных производств, статуса недобросовестного должника, ограничений на потребление, просроченной задолженности, банкротства или неплатёжеспособности. Архитектура указана как Qwen3_5ForConditionalGeneration (MLX), размер — 27 млрд параметров, 64 слоя, включая 48 SSM- и 16 полноценных attention-слоёв, скрытое измерение 5120, словарь из 248 320 токенов и контекст до 262 144 токенов. Используется Gated Attention с 24 Q- и 4 KV-головами и размером головы 256. Для запуска требуется Apple Silicon с unified memory от 64 ГБ; общий объём файлов весов составляет около 54,7 ГБ. Модель полезна для предварительного анализа заявок и подготовки объяснений, но не заменяет ручное решение кредитного специалиста: возможны ошибки классификации. Обучающие данные преимущественно отражают сведения о китайских публичных и малых и средних компаниях, поэтому применимость к предприятиям других стран ограничена. Лицензия в README не указана.

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

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.

NuExtract3-GGUF — квантизированная версия NuExtract3, разработанная компанией NuMind. Это мультимодальная vision-language модель с архитектурой на 4 млрд параметров, предназначенная для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их сочетание. Для структурированного извлечения она использует JSON-шаблон и инструкции, возвращая данные в формате JSON; также поддерживает генерацию шаблонов из естественного языка или содержимого документа. NuExtract3 подходит для OCR и подготовки данных для RAG, обработки сканов, чеков, форм, счетов, договоров, таблиц и других документов. Заявлена поддержка многоязычных документов, режимов вывода с рассуждением и без него, а также больших входных и выходных контекстов. К сильным сторонам относятся объединение визуального анализа, OCR, рассуждений и структурированного извлечения в одной модели, а также возможность преобразования сложных документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Внутренний бенчмарк NuMind показал средний результат 0,651 для варианта NuExtract3.4_4B-RL на наборе примерно из 600 документов, однако часть ответов не была корректно десериализуема в JSON, а производительность может снижаться на особенно больших или сложных заданиях. Модель распространяется по лицензии Apache-2.0. Данный репозиторий содержит квантизированный вариант базовой модели NuMind/NuExtract3; конкретные параметры квантизации и точное максимальное окно контекста в карточке не указаны.

AI21 Jamba 1.5 Large — большая инструкционная языковая модель компании AI21 с гибридной архитектурой Jamba, объединяющей блоки Transformer и Mamba/SSM. В карточке указаны 94 млрд активных параметров и 398 млрд параметров всего; модель принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 256 тысяч токенов. Модель предназначена для следования инструкциям и деловых сценариев: генерации ответов на основе документов, работы с длинными материалами, вызова инструментов и выдачи структурированных результатов, включая JSON. Авторы заявляют о высокой скорости вывода и качестве на тестах, однако показатели приведены в карточке разработчика и не гарантируют результат на конкретных данных. Поддерживаются английский, испанский, французский, португальский, итальянский, нидерландский, немецкий, арабский и иврит. Модель доступна по Jamba Open Model License, которая допускает исследовательское и коммерческое использование на её условиях. Для запуска требуются значительные вычислительные ресурсы; README рекомендует CUDA и описывает запуск на узле с восемью GPU по 80 ГБ, а для Transformers — 8-битную квантизацию с оговоркой о блоках Mamba.

NuExtract3-FP8 — 4B vision-language reasoning model, разработанная NuMind на базе Qwen/Qwen3.5-4B. Модель предназначена для понимания документов и поддерживает структурированное извлечение данных: получает текст и/или изображения вместе с JSON-шаблоном и инструкциями и формирует JSON-ответ. Также она преобразует изображения документов в Markdown, включая текст, таблицы, математические формулы и изображения. Модель ориентирована на OCR, подготовку данных для RAG и обработку сканов, чеков, форм, счетов, договоров и таблиц. Модель поддерживает мультимодальные входные данные, многоязычные документы, режимы вывода с рассуждением и без него, а также генерацию шаблонов для извлечения структуры из естественного языка или самого документа. В README не указаны точный размер контекстного окна, перечень языков, специфические параметры FP8-сборки или сведения о производительности именно этой версии; приведённые бенчмарки относятся к NuExtract3.4_4B-RL. Среди сильных сторон заявлены сочетание визуального понимания, OCR, рассуждений и структурированного вывода, однако сложные или длинные задания могут приводить к повторениям, превышению лимита вывода и невалидному JSON. Модель распространяется по лицензии Apache 2.0.

olmOCR-7B-0825 — модель Allen Institute for AI (Ai2), дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для OCR и преобразования изображений документов в текст; для работы ожидает одно изображение документа, масштабированное так, чтобы его большая сторона составляла 1288 пикселей. Модель имеет мультимодальную плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом 128 000 токенов. Модель можно применять для распознавания и извлечения содержимого из документов; авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает масштабный инференс. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Gliese-OCR-7B-Post1.0 — мультимодальная модель для анализа документов, разработанная prithivMLmods как дообучение Camel-Doc-OCR-062825 на архитектуре Qwen2.5-VL. Она содержит 7,1 млрд параметров, принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; заявленная длина контекста — 128 000 токенов. Модель предназначена для распознавания и извлечения содержимого документов, поиска сведений в сложной структуре страниц, связывания элементов и анализа таблиц, графиков и диаграмм. Модель также подходит для вопросов по документам, извлечения математических выражений с форматированием LaTeX, а также подготовки результатов в Markdown. В карточке заявлена поддержка видеоанализа и визуального управления устройствами, но метаданные подтверждают только задачу image-text-to-text; эти дополнительные сценарии следует считать заявленными возможностями, а не отдельными подтверждёнными задачами. В качестве языков карточка указывает английский и китайский. Репозиторий распространяется под лицензией Apache-2.0. Среди ограничений указаны ухудшение результатов на изображениях низкого качества или с перекрытиями, нестабильность на редких языках и письменностях, высокие требования к ресурсам, а также возможные галлюцинации и зависимость качества от настроек визуальных токенов.

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.

caskcsg/Llama-3-8B-NExtLong-512K-Instruct — диалоговая языковая модель семейства Llama, разработанная авторами проекта NExtLong. Это дообученная версия Llama-3-8B-NExtLong-512K-Base: базовую модель обучали на синтетических длинных контекстах, созданных методом NExtLong с чередованием фрагментов документа и отвлекающих фрагментов из корпусов предобучения; instruct-версию дополнительно настроили на Magpie-Align/Magpie-Llama-3.3-Pro-1M-v0.1. Модель предназначена для генерации ответов и работы с длинными входными контекстами, включая поиск информации в тексте, вопросы и ответы по документам, длинноконтекстный RAG и задачи с примерами в контексте. Заявленное окно контекста — 524 288 токенов; размер модели — около 7,5 млрд параметров. Модель имеет плотную архитектуру Llama и поставляется в формате safetensors. Карточка приводит результаты оценки на LongBench V2, HELMET, RULER и короткоконтекстных бенчмарках. Карточка не сообщает поддерживаемые языки или лицензию, поэтому применимые условия использования следует уточнить в репозитории модели. Указанная длина контекста — характеристика модели; фактическое использование такого окна зависит от реализации и доступных вычислительных ресурсов.

LongCite-glm4-9b — диалоговая модель семейства ChatGLM от организации zai-org, предназначенная для генерации ответов с цитатами по длинным документам. Она дообучена на наборе THUDM/LongCite-45k и ориентирована на задачи LongCite: ответы на вопросы с подтверждающими цитатами из контекста. Модель содержит 10,7 млрд параметров, использует плотную архитектуру ChatGLM и принимает контекст длиной до 131 072 токенов. Репозиторий содержит веса в формате safetensors; для работы применяется библиотека Transformers. В карточке указаны английский и китайский языки. Лицензия в предоставленных данных не указана.

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.

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

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.

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.

GOT-OCR 2.0 — модель оптического распознавания текста, разработанная авторами работы «General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model» и представленная здесь в реализации для Transformers. Она принимает изображения и преобразует их содержимое в текст; поддерживает распознавание текста в документах и на сценах, а также форматированного текста, таблиц, диаграмм, математических и молекулярных формул, геометрических фигур и нотной записи. Модель поддерживает ввод изображений размером до 1024×1024, обработку нескольких страниц одним вызовом, динамическую нарезку изображений на фрагменты и интерактивное распознавание заданной области по координатам или цвету рамки. Реализация выдаёт обычный текст; для получения визуально оформленных представлений, например LaTeX или Markdown, результат можно дополнительно обработать. Модель доступна в формате safetensors для библиотеки Transformers. Репозиторий распространяется по лицензии Apache-2.0. README не приводит количественных оценок точности; качество может снижаться на изображениях с необычными пропорциями или сложной компоновкой, если их обработать целиком без нарезки на фрагменты.

Llama-3-8B-ProLong-512k-Instruct — длинноконтекстная чат-модель Princeton NLP, созданная продолженным обучением и дообучением с учителем на основе Meta-Llama-3-8B-Instruct. Она рассчитана на генерацию ответов и работу с инструкциями при анализе больших объёмов текста. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает контекст длиной до 524 288 токенов. Для адаптации к длинным текстам модель обучали на данных ProLong с контекстами до 64K и 512K токенов; инструкционное дообучение проводилось на UltraChat. Авторы сообщают о сильных результатах в оценке длинноконтекстных моделей HELMET. Модель поддерживает диалоговый сценарий, но README не перечисляет конкретные языки и не приводит подробностей о качестве на отдельных задачах. Лицензия — Llama 3 (llama3).

Llama-3-8B-ProLong-64k-Instruct — диалоговая языковая модель Princeton NLP на архитектуре Llama 3 с 7,5 млрд параметров. Это вариант ProLong, дообученный для следования инструкциям и работы с длинным контекстом; в README описано продолженное обучение на данных до 64K токенов и supervised fine-tuning на UltraChat. Метаданные указывают контекст до 65 536 токенов. Модель предназначена для диалогов, генерации текста и задач, где нужно учитывать длинные документы или историю переписки. Авторы представляют семейство ProLong как модель для длинного контекста и сообщают об оценке на HELMET. Репозиторий использует формат Safetensors и лицензию Llama 3. README приводит характеристики обучения для основной версии семейства с контекстом 512K, поэтому эти параметры не следует переносить на вариант 64K.