III.9Закупки и управление поставщиками

TiRex-2 — предварительно обученная модель временных рядов от NX-AI для прогнозирования на основе исторических наблюдений. Она поддерживает прогнозирование одного или нескольких целевых рядов, а также может учитывать прошлые и известные заранее дополнительные признаки: календарные события, праздники, акции и запланированные вмешательства. Один чекпойнт предназначен для однофакторных и многофакторных сценариев; модель работает без дообучения на данных конкретной задачи. Модель рассчитана на zero-shot прогнозирование, в том числе в сценариях, где наблюдения поступают последовательно. В однофакторном режиме активируется 38,4 млн параметров, а для многофакторного прогнозирования задействуется ещё 44,1 млн. Репозиторий предоставляет веса PyTorch и код инференса; метаданные указывают библиотеку tirex-2 и лицензию Apache-2.0. Модель подходит для прогнозирования нескольких связанных временных рядов с известными будущими факторами. В README потоковое обновление прогнозов без пересчёта всей истории и оптимизации для специализированного оборудования перечислены как возможности версии TiRex-2 Pro, поэтому их нельзя считать подтверждёнными для этого открытого чекпойнта. Также заявленные результаты zero-shot не гарантируют одинакового качества на всех наборах данных.

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

BRAG-Qwen2-1.5b-v0.1 — компактная языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja на базе архитектуры Qwen2 и дообученная для генерации ответов с использованием найденного контекста (RAG). Модель предназначена для работы с текстом и таблицами, а также для диалоговых сценариев RAG: она отвечает на вопросы по переданному контексту и должна сообщать, если ответа в нём нет. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов по метаданным. В README указана поддержка до 32 тыс. токенов и отмечено, что модель обучалась и оценивалась на английском языке, хотя базовая модель обладает многоязычными возможностями. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель рассчитана на короткие контексты и может хуже работать с длинными, несмотря на указанное в метаданных окно контекста. README предупреждает о возможных галлюцинациях и рекомендует использовать заданный авторами системный промпт. Метаданные не указывают результаты этой версии в приведённой таблице сравнения.

answer-finder-v1-S-en — англоязычная модель для поиска ответов, разработанная Sinequa. Она принимает вопрос и текстовый фрагмент и предсказывает позиции начала и конца ответа в тексте; модель относится к архитектуре BERT и использует microsoft/MiniLM-L12-H384-uncased в качестве базовой модели. В карточке указаны 33 млн параметров, а метаданные каталога — около 40 млн; контекст ограничен 512 токенами. Модель не чувствительна к регистру и акцентам и обучалась на SQuAD v2. На SQuAD v2 указаны F1 79,4 при оценке через Hugging Face и 79,5 через Haystack. Карточка приводит время инференса и расход GPU-памяти для отдельных конфигураций, но результаты зависят от оборудования и точности вычислений. Для использования требуется Sinequa версии 11.10.0 или выше; для FP16 и GPU с CUDA compute capability 8.9+ нужна версия 11.11.0 или выше. Лицензия в предоставленных данных не указана.

kavg/LiLT-RE-JA — дообученная модель извлечения отношений из документов на основе nielsr/lilt-xlm-roberta-base. Она предназначена для выявления связей между сущностями в документном тексте с учётом структуры страницы; обучалась на датасете XFUND. Модель содержит 305,2 млн параметров, использует архитектуру LiLT совместно с XLM-RoBERTa и принимает контекст до 514 токенов. В README приведены результаты оценки на тестовой выборке: precision 0,4372, recall 0,6574 и F1 0,5252. Доступна в формате safetensors по лицензии MIT.

TRivia-3B — мультимодальная модель для распознавания и разбора таблиц, разработанная OpenDataLab на основе Qwen2.5-VL-3B-Instruct с помощью метода self-supervised fine-tuning TRivia. Она принимает изображения таблиц и преобразует их структуру в последовательность тегов OTSL. Модель рассчитана на работу с цифровыми таблицами, сканами и фотографиями. По данным карточки, она содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 тыс. токенов. Для инференса README описывает запуск через vLLM, включая развёртывание сервера с OpenAI-совместимым API. В README заявлены высокие результаты на нескольких реальных бенчмарках распознавания таблиц, однако численные результаты в предоставленном тексте отсутствуют. Лицензия в предоставленных данных не указана.

NVIDIA Nemotron 3 Nano Omni — разработанная NVIDIA мультимодальная модель семейства Nemotron Nano для понимания текста, изображений, аудио и видео. Она предназначена для корпоративных сценариев: ответов на вопросы и суммаризации мультимедийных материалов, транскрибации речи, анализа документов и GUI, а также для рабочих процессов с агентами. Модель поддерживает OCR, понимание речи и видео, плотные описания видео и извлечение информации из сложных деловых документов. Её можно применять в службе поддержки, медиа и развлечениях, обработке договоров и финансовых документов, а также в браузерных и почтовых агентах. В метаданных указана архитектура NemotronH_Nano_Omni_Reasoning_V3, тип dense и библиотека Transformers; веса опубликованы в формате safetensors. README рекомендует начинать развёртывание с длины контекста 131072 токена на Spark, но это рекомендация по настройке, а не заявленный предел контекста. Модель улучшена с использованием Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. README сообщает о доступности для коммерческого использования, тогда как метаданные обозначают лицензию как other; перед внедрением следует проверить условия лицензии в карточке. Модель рассчитана на мультимодальные корпоративные задачи, но карточка не приводит количественных оценок качества.

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.

Mungert/LightOnOCR-2-1B-GGUF — GGUF-версия LightOnOCR-2-1B, разработанная LightOn. Это эффективная vision-language-модель примерно на 1 млрд параметров для сквозного распознавания и понимания документов: PDF-файлов, сканов и изображений. Модель преобразует документы в чистый текст с естественным порядком чтения без внешнего OCR-конвейера. Модель предназначена для обработки таблиц, чеков, форм, многостолбцовых макетов и математических обозначений, включая LaTeX. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. В README не указаны размер контекстного окна и подробности внутренней архитектуры. Для стандартной версии с идентификатором Mungert/LightOnOCR-2-1B-GGUF предсказание bounding box для встроенных изображений не заявлено; такая возможность относится к отдельному варианту bbox. К сильным сторонам относятся компактный размер, высокая скорость, end-to-end обработка и универсальность для различных типов документов. По заявлению разработчика, LightOnOCR-2 превосходит конкурирующие решения по скорости и показывает state-of-the-art результаты на OlmOCR-Bench, однако конкретные методики и значения бенчмарков в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-3B-Instruct — мультимодальная модель семейства Qwen от Alibaba, дообученная для работы по инструкциям. Она сочетает языковую модель с визуальным энкодером и принимает текст вместе с изображениями или видеокадрами, отвечая текстом. Модель рассчитана на диалоговые сценарии: распознавание объектов и текста на изображениях, анализ диаграмм и макетов, понимание видео и поиск нужных временных отрезков, локализация объектов с координатами, а также формирование структурированных данных из сканов и таблиц. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и библиотеку Transformers. Метаданные указывают контекст до 128 000 токенов; в README базовая конфигурация описана как 32 768 токенов с возможностью расширения через YaRN, которое может ухудшать точность пространственной и временной локализации. Поддерживаются английский язык и визуальные сценарии, включая изображения и видео; авторы также описывают управление инструментами, компьютером и телефоном. Лицензия в предоставленных данных не указана.

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

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.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

mPLUG-DocOwl2 — мультимодальная языковая модель семейства mPLUG-DocOwl, разработанная командой mPLUG для понимания многостраничных документов без предварительного OCR. Модель принимает изображения страниц и текстовые запросы, а затем формирует текстовые ответы о содержимом документа. Модуль High-resolution DocCompressor кодирует каждую страницу всего 324 токенами, что позволяет работать с многостраничными документами. Модель предназначена для извлечения и анализа информации из документов, в том числе для ответов на вопросы по их содержимому. В метаданных указаны 6,6 млрд параметров, контекстное окно 2048 токенов и поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка описывает её назначение для OCR-free понимания документов, но не приводит количественных оценок качества или подробностей о поддержке языков, кроме английского.

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.

Это преобразованная в формат MLX версия PaddleOCR-VL-1.5 от mlx-community, основанная на PaddlePaddle/PaddleOCR-VL-1.5. Модель построена на архитектуре PaddleOCR-VL для генерации текста по изображению и дообучена на базе baidu/ERNIE-4.5-0.3B-Paddle. В метаданных указаны 318,2 млн параметров и контекст до 131 072 токенов. Модель предназначена для OCR и разбора содержимого документов: извлечения текста и структурированных сведений с изображений, включая таблицы, формулы, графики и печати. Метаданные отмечают английский, китайский и многоязычный режимы; README указывает на использование через mlx-vlm. Репозиторий распространяется по лицензии Apache-2.0.

Typhoon-OCR-1.5-2B — компактная vision-language модель для распознавания и разбора документов на тайском и английском языках, разработанная OpenTyphoon на основе Qwen3-VL-2B-Instruct. Это дообученная плотная модель Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она принимает изображения документов и формирует структурированный текст. Модель предназначена для извлечения текста и структуры из PDF-страниц и изображений, включая рукописные записи, формы, чеки, таблицы, отчёты, инфографику и схемы. Вывод может включать Markdown для текста, HTML для таблиц, описания рисунков и диаграмм, LaTeX для формул и номера страниц; результаты подходят для последующей загрузки в RAG-системы и базы данных. Распознавание структуры выполняется по изображению без зависимости от метаданных PDF. Для работы требуется специальный prompt из карточки; модель не рассчитана на другие запросы и не предоставляет возможностей общего визуального вопросно-ответного диалога. Возможны галлюцинации, поэтому результаты следует проверять. Для локального запуска авторы рекомендуют Ollama и предупреждают о возможной потере точности у GGUF-сборок для llama.cpp и LM Studio. Лицензия в метаданных — Apache-2.0; README также указывает на условия OpenTyphoon.

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.

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.

Nanonets-OCR-s-GGUF — версия модели Nanonets-OCR-s в формате GGUF с обновлённым шаблоном чата. Она предназначена для извлечения текста из изображений документов и представления содержимого в удобной для дальнейшей обработки форме: таблицы можно возвращать в HTML, формулы — в LaTeX, а изображения описывать краткими подписями. Для запуска автор указывает llama-server и отдельный файл mmproj; рекомендуемые параметры генерации заданы в примере команды. Модель принимает изображение документа и текстовую инструкцию, а выдаёт текст с распознанным содержимым. В метаданных указаны варианты GGUF BF16 и F32 и поддержка английского языка. 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.

PaddleOCR-VL-1.6-GGUF — набор квантованных версий мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для распознавания и структурированного анализа документов по изображениям: извлечения текста, определения компоновки страниц, обработки таблиц, формул, диаграмм, печатей и других элементов, а также задач image-to-text и document parsing. Указана поддержка английского, китайского и других многоязычных сценариев. README не содержит сведений о точной архитектуре, количестве параметров или размере исходной модели, контекстном окне и перечне поддерживаемых языков. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 0,3 до 1,0 ГБ. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество; в README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с лучшим качеством. Модель удобна для локального запуска в совместимых с GGUF инструментах и позволяет выбирать компромисс между скоростью, размером файла и качеством. Ограничения включают отсутствие подробных данных о результатах тестирования, производительности, требованиях к оборудованию и точных характеристиках исходной модели. Указана лицензия Apache-2.0.

slim-summary-phi-3 — специализированная модель llmware для суммаризации текста. Она принимает текст и формирует список кратких тезисов, извлечённых из сложных деловых документов. Модель построена на архитектуре Phi-3 и содержит около 3,7 млрд параметров; карточка указывает английский язык, а метаданные — контекст 4096 токенов и поддержку диалогового режима. Репозиторий содержит базовую версию в формате PyTorch, предназначенную в том числе для дальнейшего дообучения. Лицензия — Apache 2.0.

CogniLink — дообученная Daemontatox модель на архитектуре Llama 3.3 70B, созданная для многошаговых рассуждений, логического вывода и диалоговой генерации текста. Она содержит 69,5 млрд параметров, работает с контекстом до 131 072 токенов и рассчитана прежде всего на английский язык. В карточке указаны instruction tuning и обучение на наборах данных с цепочками рассуждений; доступны веса в формате safetensors и библиотека Transformers. Модель можно применять для пошаговых объяснений учебных задач, анализа сценариев и аргументов, а также вопросов и ответов в исследовательских, деловых и правовых сценариях. README также упоминает медицинские применения, однако не приводит подтверждений клинической точности. Для запуска требуется значительная вычислительная память; утверждения README о работе на ограниченных устройствах и эффективности 4-битного режима не подкреплены метриками производительности. Лицензия — Apache 2.0.

SauerkrautLM-EuroColBERT — многоязычная модель поиска по тексту от VAGOsolutions, построенная на EuroBERT-210m и архитектуре ColBERT с поздним взаимодействием токенов. Модель дообучена на 5,4 млрд английских токенов с дистилляцией знаний от моделей-реранкеров. Она создаёт многовекторные представления и сопоставляет запросы с документами с помощью MaxSim, что подходит для точного поиска и ранжирования кандидатов. Модель содержит 211,7 млн параметров, использует PyLate и принимает документы длиной до 8192 токенов; для запросов в README указано ограничение 256 токенов. Она ориентирована на семь европейских языков: немецкий, английский, испанский, французский, итальянский, нидерландский и португальский. Подходит для корпоративного поиска, поиска товаров, библиотечных каталогов, баз поддержки и научной литературы. Лицензия — Apache 2.0.

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.

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

Teapot LLM — компактная языковая модель сообщества TeapotAI, дообученная на синтетических данных от FLAN-T5-Large. В метаданных указаны архитектура T5, 385,2 млн параметров и контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель предназначена для генерации ответов на основе предоставленных документов и контекста, в том числе в сценариях RAG. Teapot обучена отвечать на вопросы по контексту, извлекать сведения из документов и выдавать структурированные данные, включая JSON. Она рассчитана на локальный запуск на устройствах с ограниченными ресурсами, включая смартфоны и CPU, и поддерживается Transformers.js для работы в JavaScript-средах. README отмечает стремление модели воздерживаться от ответа, если контекст не содержит достаточных сведений. Метаданные перечисляют английский, французский, румынский и немецкий языки, однако авторы сообщают, что модель не оценивалась на языках, кроме английского. Она не предназначена для генерации кода, творческого письма или критически важных решений. Лицензия — MIT.

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

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