III.8Договоры, юридическая работа и compliance

Megalodon-OCR-Sync-0713-AIO-GGUF — мультимодальная модель, разработанная prithivMLmods. Это GGUF-версия Megalodon-OCR-Sync-0713, дообученной на базе Qwen2.5-VL-3B-Instruct. Модель предназначена для обработки изображений и текста, включая OCR, извлечение и анализ содержимого документов, а также работу с визуальными данными. Модель ориентирована на поиск и извлечение информации из документов разных типов и форматов, распознавание структурированных и неструктурированных данных, таблиц, графиков, математических выражений и других визуальных представлений. Она поддерживает контекстный анализ сложных и длинных документов, форматирование результатов в LaTeX, мультиязычный анализ, визуальное позиционирование объектов для управления устройствами и понимание видео длительностью более 20 минут. Заявлены английский и китайский языки. Объём контекста в README не указан. Доступны варианты квантования GGUF от F16 размером 6,18 ГБ до компактных вариантов менее 1 ГБ, что позволяет выбирать баланс между качеством и требованиями к ресурсам. Сильными сторонами являются специализация на OCR и документах, работа с разнообразными визуальными структурами и применимость в образовательных и корпоративных сценариях. Ограничениями являются значительные требования к вычислительным ресурсам, а также возможное снижение качества на изображениях низкого качества и при работе с редкими языками. Лицензия — Apache 2.0.

Soulfate24/OvisOCR2-ASHQ1-Remix-GGUF — GGUF-квантованная версия модели OvisOCR2, созданная на основе ATH-MaaS/OvisOCR2. Она предназначена для извлечения текста и структуры документов со страниц изображений, включая таблицы и формулы, с выдачей результата в Markdown. Модель поддерживает диалоговый режим и обработку изображений; в метаданных для неё указан pipeline image-text-to-text. Репозиторий содержит GGUF-квантизацию с подходом ASHQ1-Remix, описанным автором как activation-aware. Модель распространяется по лицензии Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.

PaddleOCR-VL-0.9B — компактная мультимодальная модель Baidu для разбора документов, представленная в карточке lvyufeng. Она сочетает визуальный энкодер с динамическим разрешением в стиле NaViT и языковую модель ERNIE-4.5-0.3B; в метаданных указано 318,2 млн параметров и контекст 131 072 токена. Модель принимает изображения документов и текстовые запросы, а в ответ формирует текстовое представление распознанного содержимого и его структуры. Модель предназначена для распознавания текста, таблиц, формул и диаграмм на страницах документов, включая рукописные материалы и исторические документы. README заявляет поддержку 109 языков, в том числе китайского, английского, японского, русского, арабского, хинди и тайского. Указана лицензия Apache-2.0. Заявления о качестве основаны на оценках авторов, в том числе на внутренних наборах; результаты на конкретных документах могут отличаться.

Rene-1 31B FP8 — плотная модель принятия решений Salfati Group на архитектуре Rene. Она за один проход читает текстовый документ вместе с набором заданных пользователем вопросов и возвращает вероятности для каждого варианта ответа; текст не генерируется. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале. В README заявлены сбалансированный результат 64,18 на 37 из 40 бенчмарков Decision Index 0.2 и медианная ошибка калибровки 0,046 на этих бенчмарках. Модель предназначена для классификации, маршрутизации и приоритизации документов, а также для проверки нескольких критериев и присвоения оценок с оценкой уверенности. FP8-веса позволяют запускать её на одной видеокарте; пакетная обработка поддерживает до 64 запросов и 65 536 упакованных токенов. README не сообщает длину контекста. Ввод изображений обозначен как экспериментальный: модель обучалась только на тексте, а ответы по изображениям не оценивались. Модель не объясняет свои ответы, а её калибровка заметно слабее на отдельных бенчмарках; также не проверена чувствительность к порядку и названиям вариантов. Для использования требуется Transformers и пакет compressed-tensors. Лицензия — Apache-2.0. README рекомендует передавать trust_remote_code=True, предварительно изучив код репозитория и зафиксировав его ревизию.

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

coreOCR-7B-050325-preview — модель prithivMLmods, дообученная на базе Qwen/Qwen2-VL-7B-Instruct для распознавания текста и анализа документов по изображениям. Она построена на архитектуре Qwen2-VL, содержит 7,1 млрд параметров, принимает изображения и текстовые запросы и формирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Модель предназначена для извлечения текста и структурированных данных из сканов, PDF, форм, счетов и научных статей, а также для ответов на вопросы по изображениям и преобразования математических выражений в LaTeX. Карточка также заявляет поддержку видео, длинных последовательностей и визуально управляемых действий, однако метаданные подтверждают только задачу image-text-to-text. Модель поддерживает многоязычные OCR-сценарии, но отдельные языки в метаданных и README не перечислены. Качество может снижаться на зашумлённых или низкокачественных изображениях и редких письменностях; возможны неполные или галлюцинированные ответы при длинных запросах, а размер модели затрудняет запуск на устройствах с ограниченной памятью. Распространяется по лицензии Apache-2.0.

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

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

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

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.

LongAlign-6B-64k — чат-модель на архитектуре ChatGLM, разработанная авторами проекта LongAlign. Она дообучена на LongAlign-6B-64k-base, созданной на основе ChatGLM3-6B с расширенным контекстом, для следования инструкциям в длинных диалогах и работы с запросами, содержащими большие объёмы текста. В README описан набор LongAlign-10k из 10 000 инструкций длиной 8–64 тыс. токенов и подходы к обучению, включая упаковку примеров с взвешиванием потерь и пакетирование по длине. Для модели указано окно контекста до 65 536 токенов; заявленные сценарии оценки включают запросы длиной 10–100 тыс. токенов. Модель принимает и генерирует текст; в метаданных указаны английский и китайский языки, 7,8 млрд параметров и библиотека Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Длинный контекст ориентирован на работу с большими документами и многошаговыми инструкциями, однако README не приводит количественных результатов оценки именно этой модели; эффективная длина и качество могут зависеть от задачи и аппаратных ресурсов.

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

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

Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

OCC-RAG-1.7B — компактная языковая модель компании OCC AI с 1,7 млрд параметров, основанная на архитектуре Qwen3 и дообученная на синтетических примерах вопросов и ответов с опорой на источники. Она принимает вопрос и набор текстовых источников, анализирует их релевантность и формирует ответ со ссылками на источники и структурированным ходом рассуждения. Модель предназначена для контекстно-обоснованных ответов, многошагового поиска фактов по нескольким документам и отказа от ответа, если источники не содержат достаточных сведений. В карточке заявлены результаты на уровне или выше некоторых более крупных моделей по точности привязки к источникам и отказам; оценка охватывала цепочки рассуждений до трёх шагов. Поддерживает английский и русский языки, имеет контекст до 32 768 токенов и рассчитана на запуск через Transformers-совместимые стеки, в том числе на ограниченных ресурсах. Модель не предназначена для общения или ответов на основе общих знаний без предоставленных источников; цепочки длиннее трёх шагов выходят за пределы описанного обучения и оценки. Распространяется по лицензии MIT.

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.

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.

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

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.

Yarn-Solar-10b-64k — языковая модель NousResearch, созданная на основе SOLAR-10.7B-v1.0 и дополнительно обученная на двух миллиардах токенов длинного контекста с помощью метода YaRN. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и окном контекста до 65 536 токенов. Модель предназначена для генерации текста и работы с длинными входными документами: например, для анализа больших текстов, ответов на вопросы по ним и суммаризации. Карточка приводит результаты тестов на длинном контексте и отмечает небольшое снижение качества на коротком контексте. Заявлена поддержка английского языка; метаданные указывают библиотеку Transformers и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Для загрузки в Transformers карточка указывает необходимость `trust_remote_code=True` и актуальной версии библиотеки; это следует учитывать при использовании. Данные карточки не описывают отдельную настройку для диалогов или вызова инструментов.

Карточка модели Yukang/Llama-2-7b-longlora-100k-ft на Hugging Face совпадает с карточкой Yukang/Llama-2-7b-longlora-32k-ft, поэтому описание составлено по ней. Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

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

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.

OCC-RAG-0.6B — компактная языковая модель для ответов на вопросы, основанных на предоставленных источниках. Её разработала команда OCC AI; модель дообучена на базе Qwen/Qwen3-0.6B-Base и содержит около 508 млн параметров. Это плотная причинная языковая модель на архитектуре Qwen3, принимающая текстовый вопрос и список текстовых источников. Контекст модели составляет 32 768 токенов. Модель анализирует вопрос и источники, объединяет свидетельства из нескольких фрагментов, приводит ссылки на источники по их идентификаторам и отвечает только тогда, когда контекст подтверждает ответ. Если данных недостаточно, она может воздержаться от ответа. В карточке описано обучение на синтетических примерах вопросов и ответов с привязкой рассуждений к цитатам и оценивание на задачах многошагового QA, верности контексту и отказа от неподтверждённых ответов. Модель предназначена для RAG-сценариев, например ответов по документам и базам знаний. Она не рассчитана на общие беседы или использование собственных знаний модели; обучение и оценивание охватывали цепочки рассуждений до трёх шагов, поэтому более длинные цепочки находятся вне заявленного распределения. Лицензия — MIT.

joonion/bert-finetuned-squad — модель DistilBERT, дообученная на неизвестном наборе данных на основе distilbert/distilbert-base-cased-distilled-squad. Она предназначена для ответов на вопросы по переданному текстовому фрагменту: модель получает вопрос и контекст и извлекает из контекста ответ. Архитектура — DistilBertForQuestionAnswering; максимальная длина контекста составляет 512 токенов. Модель работает с текстом и распространяется в формате safetensors. Карточка не приводит подробностей о дополнительном наборе данных, оценке качества или специальных сценариях применения. Лицензия — Apache-2.0.

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.

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.

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.

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

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