III.9Закупки и управление поставщиками

OpenCSG Agentic-30B-A3B — первая модель серии OpenCSG Agentic, дообученная для локальных и корпоративных ИИ-агентов, выполнения Skills и работы с инструментами. Она предназначена для сценариев, где агенту нужно следовать инструкциям, выбирать навык, формировать аргументы, анализировать ответы инструментов и выполнять многошаговые задачи в нескольких системах. В основе лежит Qwen/Qwen3-30B-A3B с архитектурой MoE Qwen3MoeForCausalLM: в README указаны 30,53 млрд параметров всего и около 3,3 млрд активных на токен, 128 экспертов и 8 активных экспертов. Модель выпущена в BF16, поддерживает контекст до 40 960 токенов и ориентирована на китайский и английский языки. Для запуска авторы приводят измерения на одной NVIDIA A800 80 ГБ с vLLM. Сильная сторона модели — обучение на сценариях вызова инструментов и восстановления после ошибок; среди приведённых удачных примеров — управление почтой и календарём, CRM и планирование проектов. Оценка Agentic Eval также показывает заметное снижение результатов на сложных, длинных и межсистемных задачах, особенно на китайском языке. Авторы рекомендуют проверять результаты и требовать подтверждения человека для чувствительных операций. Лицензия указана как other; условия использования следует сверять с лицензионным соглашением репозитория.

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.

Mungert/pokee_research_7b-GGUF — GGUF-версия модели PokeeResearch-7B, разработанной Pokee AI и дообученной на базе Qwen2.5-7B-Instruct. Модель предназначена для автоматизации глубоких исследовательских задач: декомпозиции сложных запросов, работы с внешними источниками, многошагового рассуждения, проверки и синтеза информации. Она может использоваться как самостоятельный исследовательский ассистент или как компонент многоагентных систем, а также адаптироваться для научного поиска, извлечения документов и многоисточникового суммирования. Модель содержит около 7 миллиардов параметров, относится к инструментально расширяемым языковым моделям и поддерживает текстовые сценарии. В карточке указаны английский, китайский и другие языки, однако отдельно отмечено ограниченное качество для неанглоязычных задач. Контекст ограничен 32 768 токенами. Обучение проводилось на датасете MiroRL-GenQA с использованием RLOO и сигналов RLAIF, включая оценку смысловой эквивалентности и соблюдение формата поведения агента. Данная публикация представляет собой GGUF-сборку, созданную с помощью llama.cpp; применённый подход к квантованию повышает точность отдельных важных слоёв, но увеличивает размер файла, при этом конкретный уровень квантования не указан. Сильные стороны модели — ориентация на исследовательские рабочие процессы, самопроверку, верификацию и синтез данных из нескольких независимых направлений. Результаты зависят от качества внешних источников и поиска; возможны смещения от AI-обратной связи и галлюцинации при противоречивых или недостаточных данных. Модель не предназначена для непроверенных утверждений и единоличного принятия решений в медицинских, юридических или финансовых задачах. Лицензия — Apache 2.0.

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

Модель на 305,2 млн параметров — дообученная версия nielsr/lilt-xlm-roberta-base для поклассовой классификации токенов в документах. Архитектура LiLT использует текстовое представление XLM-RoBERTa и предназначена для задач понимания структуры документов; этот чекпойнт связан с набором FUNSD и разметкой IOB. Модель подходит для извлечения и классификации элементов в формах и документах, например для распознавания полей и их ролей. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: F1 0,7478, точность 0,7252 и полнота 0,7718. Весовые файлы представлены в формате PyTorch. Лицензия — MIT. Описание обучения и ограничений в карточке не раскрывает деталей, поэтому результаты на других типах документов и языках могут отличаться.

pjev-2b — компактная модель для типизированных решений, разработанная Kailune-AI и дообученная на базе openbmb/MiniCPM5-2B. Она принимает текстовые свидетельства, вопрос и заданный пользователем список вариантов, а затем за один проход возвращает вероятности для этих вариантов. Модель использует выходной слой базовой LlamaForCausalLM: отдельная голова решений не добавлена, а адаптер объединён с весами. Репозиторий содержит самостоятельные веса, токенизатор и файл калибровки; поддерживаются Transformers и контекст до 131 072 токенов. Модель предназначена для маршрутизации запросов, классификации, проверок по политикам и ответов «да/нет» с чёткими критериями. Вероятности вычисляются через softmax логитов букв вариантов; до 26 вариантов оцениваются совместно, для большего числа используется приближённый турнирный механизм. При нескольких вопросах об одном наборе свидетельств общий префикс можно обработать один раз. В опубликованном README приведены результаты на публичной части JevBench: высокая точность на простых примерах и средняя — на сложных; это не официальный полный рейтинг и не оценка закрытой части набора. Указана ошибка калибровки ECE 0,120 на сложном уровне. Модель всегда распределяет вероятность между предложенными вариантами, не умеет воздерживаться и оценивалась только на английском языке. Лицензия репозитория — Apache-2.0.

SauerkrautLM-ColQwen3-1.7b-Turbo-v0.1 — мультиязычная модель визуального поиска по документам от VAGOsolutions, основанная на Qwen3-VL-2B. Это ColQwen3 с многовекторным представлением и поздним взаимодействием: модель кодирует изображения страниц и текстовые запросы, чтобы находить релевантные документы с учётом макета, таблиц, форм и диаграмм без отдельного OCR-конвейера. Модель уменьшена структурным прореживанием и восстановлена обучением на mMARCO, а затем настроена для поиска по документам. В ней около 1,7 млрд параметров и размерность эмбеддингов 128; автор сообщает о снижении объёма параметров на 23% относительно версии на 2,2 млрд. В README приведены результаты ViDoRe v1: NDCG@5 88,89; также указаны результаты MTEB и ViDoRe v3. Метаданные указывают поддержку английского, немецкого, французского, испанского, итальянского и португальского языков. Модель принимает изображения и текстовые запросы, а выдаёт многовекторные представления для ранжирования документов. Лицензия — Apache-2.0. Подходит для визуального поиска по PDF и сканированным документам, включая поиск по содержимому, где важны структура страницы и визуальный контекст. Заявленные результаты основаны на бенчмарках; качество может различаться на других наборах документов и запросов. Для работы требуется совместимая реализация ColPali/ColQwen3 или Sentence Transformers с поддержкой многовекторного поиска.

ATH-MaaS_OvisOCR2-GGUF — это квантизированная GGUF-версия мультимодальной модели OvisOCR2, разработанной ATH-MaaS. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для оптического распознавания символов и разбора документов по изображениям, включая преобразование содержимого в Markdown, обработку таблиц и формул. Она относится к классу image-text-to-text и может применяться в сценариях автоматического извлечения текста и структуры из документов. Модель поддерживает мультимодальный ввод, однако README не указывает её точную архитектуру, число параметров, поддерживаемые языки и размер контекстного окна. Доступны варианты от BF16 до различных уровней квантизации, примерно от 0,48 до 1,52 ГБ. Более качественными считаются варианты Q5–Q8, тогда как Q2–Q3 экономят память ценой снижения качества. Файлы рассчитаны на запуск через llama.cpp и совместимые инструменты, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. К сильным сторонам относятся специализация на OCR и разборе документов, поддержка таблиц и формул, а также широкий выбор квантизаций для устройств с разным объёмом памяти. Ограничения связаны с возможной потерей качества в низкобитных вариантах и отсутствием в README подробных сведений о языках, производительности и рекомендуемых аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

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

Unlimited-OCR BF16 MLX — конвертированная в формат BF16 версия мультимодальной модели Baidu Unlimited-OCR, подготовленная для запуска на MLX. Она принимает изображение страницы документа и текстовый запрос, а в ответ распознаёт текст и может представлять структуру документа. В репозитории указаны 559,7 млн параметров и контекстное окно 32 768 токенов; модель построена на архитектуре DeepSeekOCR и доступна в формате safetensors. Модель предназначена для OCR и разбора документов по изображениям, включая локальный запуск на устройствах Apple через MLX. В тесте разработчика на 24 синтетических англоязычных страницах BF16-вариант показал CER 1,62%; эти результаты не характеризуют качество на реальных сканах, рукописном тексте и других письменностях. В MLX-версии не реализован механизм R-SWA базовой модели, поэтому режим обработки длинных документов с постоянным расходом памяти не проверен. Репозиторий распространяется по лицензии MIT; исходная модель создана Baidu.

QuantFactory/Llama3-DocChat-1.0-8B-GGUF — квантованная версия Cerebras Llama3-DocChat 1.0 8B, подготовленная QuantFactory с использованием llama.cpp. Исходная модель разработана Cerebras на базе Llama 3 и предназначена для диалоговых вопросов и ответов по документам, включая сценарии retrieval-augmented generation (RAG). Модель должна отвечать на вопросы с учётом переданного контекста и сообщать, если ответ в документе не найден. Модель относится к текстовым генеративным LLM, содержит 8 млрд параметров и поддерживает стандартный шаблон чата Llama 3 Instruct. Для передачи документа используется обёртка <context>...</context>; дополнительно можно задать инструкцию о требуемой полноте или краткости ответа. В карточке указан английский язык. Контекстное окно и конкретный формат квантования для этой GGUF-сборки не указаны. По результатам приведённых тестов модель показывает сильные результаты в задачах документного диалога: средний показатель на ChatRAG Benchmark составляет 55,71, а на EleutherAI Evaluation Harness — 58,07. К ограничениям относятся специализация прежде всего на ответах по предоставленному контексту, возможные потери качества из-за квантования и отсутствие данных о точном варианте квантования, требованиях к ресурсам и поддерживаемом размере контекста. Лицензия указана как other; подробные условия в README не приведены.

Xirui1208 разработала ReadAll ReadTwice 14B stage-2 — контрольную точку продолжения обучения с подкреплением для ответов на вопросы по длинным документам. Это плотная причинная языковая модель семейства Qwen2, содержащая 14 млрд параметров; в корневых файлах размещён BF16-вариант для вывода, а в training_checkpoint — состояние обучения с FP32-параметрами и данными оптимизатора. Модель использует окно контекста 32 768 токенов и рассчитана на протокол ReadTwice: SKIM, последовательное обновление полного контекста и FINAL. Документы разбиваются на фрагменты по 5000 токенов и обрабатываются последовательно. Модель предназначена для длинноконтекстного вопросно-ответного поиска по документам. По README, это продолжение обучения родительской модели ReadAll14B step15; чекпойнт сохранён после 60 обновлений оптимизатора и 960 обучающих вопросов, а полный план обучения не завершён. Заявленные результаты более раннего чекпойнта к этой версии не относятся; сама эта версия бенчмарками не оценивалась. Для воспроизведения ReadTwice нужен описанный протокол из training_code.tar.gz: одиночный запрос не воспроизводит рабочий сценарий. Лицензия в предоставленных данных не приведена.

EVIE-8B — модель Tencent для поиска по визуальным документам, включая страницы документов в виде изображений. Она дообучена на базе Qwen3.5-9B и использует архитектуру ColQwen3.5 с двунаправленным вниманием. Модель кодирует текст запроса и визуальные фрагменты документа в многовекторные представления размерности 4096, а релевантность оценивает поздним взаимодействием токенов по MaxSim. Модель предназначена для извлечения нужных страниц по текстовым запросам в коллекциях документов: она сохраняет признаки макета, типографики, таблиц и диаграмм. Tencent также позиционирует её как учительскую модель для дистилляции компактной EVIE-4.5B. В README сообщается об оценке nDCG@10 66,75 на ViDoRe V3 и проверке на наборах ViDoRe и JinaVDR. Поддерживаются текстовые запросы и изображения документов; обучение проводилось на парах запросов и документов из многоязычных областей. Лицензия — Apache-2.0. Для выдачи результатов требуется вычислять и сравнивать многовекторные представления, что может быть требовательно к ресурсам; качество зависит от dtype и backend внимания.

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

Карточка модели Jasper022/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой NVIDIA: Nemotron 3 Nano Omni (free), поэтому описание составлено по ней. 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.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Репозиторий основан на Qwen/Qwen2.5-VL-7B-Instruct и содержит 7B-версию модели в формате GGUF. Указана лицензия Apache-2.0; заявленный язык — английский, задача — преобразование изображений и текста в текст. Модель предназначена для анализа изображений, документов, диаграмм, таблиц, графики и макетов, распознавания текста, визуального вопросно-ответного взаимодействия, структурированного извлечения данных из счетов и форм, визуальной локализации объектов с помощью координат или точек, а также анализа видео. Она может обрабатывать длинные видео длительностью более часа и выделять релевантные моменты. Также заявлены сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель Qwen2.5, vision encoder ViT с window attention, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическую частоту выборки кадров видео. Для временного измерения используется mRoPE с идентификаторами и абсолютным выравниванием времени. Ключевые сильные стороны — распознавание документов и текста, понимание диаграмм и видео, генерация структурированных результатов и визуальная локализация. Ограничения: README не содержит точных требований к ресурсам, максимального контекста, полного списка поддерживаемых языков и подробностей качества GGUF-квантизации; приведённые результаты зависят от конкретных бенчмарков и настроек.

German-RAG-LLAMA-3.1-8B-CPT-HESSIAN-AI — авторегрессионная трансформерная языковая модель, разработанная командой Avemio AI при поддержке Hessian AI. Это продолжительно предобученная версия Meta-Llama-3.1-8B: в метаданных указано 7,5 млрд параметров, архитектура LlamaForCausalLM и контекст до 131 072 токенов. Модель предназначена для работы с немецким и английским языками, с акцентом на немецкий. Она обучалась на датасете German-RAG-CPT и ориентирована на ответы на вопросы с опорой на предоставленный контекст, структурированные рассуждения и суммаризацию. Её можно использовать в сценариях RAG, передавая найденные документы вместе с вопросом. Модель может генерировать недостоверные ответы и чувствительный или вредоносный контент; результаты следует проверять, а для прикладных систем предусмотреть меры безопасности. Метаданные Hugging Face указывают лицензию Llama 3.1, тогда как README заявляет Apache 2.0 для кода и модели; условия распространения весов следует сверить с лицензией репозитория.

German-RAG-NEMO-12B-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer семейства Mistral, разработанная командой Avemio AI при поддержке Hessian AI. Модель содержит 12,1 млрд параметров и дообучена методом SFT на примерах для генерации с дополнением извлечёнными данными (RAG); в метаданных базовой моделью указана avemio/German-RAG-NEMO-12B-CPT-HESSIAN-AI. Модель предназначена для немецкоязычных бизнес-сценариев с RAG: ответов на вопросы по предоставленному контексту, извлечения релевантной информации и её суммаризации. Также карточка описывает примеры для рассуждений и вызова функций. Поддерживаются немецкий и английский языки; заявленная длина контекста — до 1 024 000 токенов. Модель доступна в формате safetensors по лицензии Apache 2.0. Ответы и факты могут быть неверными, поэтому их следует проверять. В README также отмечены риски предвзятости и генерации вредного или чувствительного контента без защитной фильтрации.

German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI — авторегрессионная языковая модель на базе Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Модель дообучена для сценариев генерации с использованием найденных документов и предназначена прежде всего для немецкоязычного рынка. В метаданных указаны архитектура Llama, 3,7 млрд параметров и контекст до 131 072 токенов; веса доступны в формате safetensors. Модель отвечает на вопросы по предоставленному контексту, извлекает релевантную информацию, составляет краткие сводки и выполняет задачи рассуждения. README также описывает обучение на примерах RAG и поддержку немецкого и английского языков. Лицензия в метаданных Hugging Face — MIT; README указывает Apache 2.0, поэтому сведения о лицензии расходятся и требуют проверки перед использованием. Ответы могут содержать фактические ошибки, а без фильтрации модель способна выдавать вредоносный или чувствительный контент. Результаты следует проверять, а для пользовательских приложений учитывать риски предвзятости и генерации небезопасного текста.

Карточка модели PositronicLlama/Ovis2.5-9B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-9B, поэтому описание составлено по ней. Ovis2.5-9B — мультимодальная модель семейства Ovis2.5, разработанная командой AIDC-AI. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении с языковой моделью Qwen3-8B; размер модели — 9 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает контекст до 40 960 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, распознавания текста и анализа документов, таблиц, форм, графиков и диаграмм. Режим размышления с самопроверкой и пересмотром ответа можно включать при выводе, увеличивая задержку ради потенциально более точного ответа на сложные запросы. В README заявлен средний результат 78,3 в мультимодальном наборе OpenCompass и сильные результаты в задачах понимания изображений и документов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или неподобающим содержимым.

Bogula/pinktilde30b_64k — дообученная с помощью LoRA и SFT модель на базе TildeAI/TildeOpen-30b-64k, созданная для немецкоязычного обучения и ответов с опорой на документы. Она использует архитектуру Llama, содержит 29,9 млрд параметров и принимает текстовый контекст длиной до 65 536 токенов. Модель предназначена для диалогового обучения и работы с длинными корпоративными документами и материалами по управлению, продажам и педагогике. Обучение проходило в два этапа: на инструкциях, немецких сводках и корпоративных диалогах, затем на многоходовых диалогах и RAG-документах с отвлекающими фрагментами. Поддерживается немецкий язык; формат весов — SafeTensors, библиотека — Transformers. Модель может ошибаться; её ответы не следует использовать для принятия юридических, финансовых или медицинских решений без проверки. Лицензия указана как «other»; в обучающих данных использовался NVIDIA Nemotron под лицензией ODC-By, для которой требуется атрибуция.

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.

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.

NaviDC-OCR — специализированная компактная мультимодальная модель StarDoc-AI для разбора цифровых документов и фотографий документов. Она построена на архитектуре Qwen2.5-VL и предназначена для извлечения текста и структуры, включая таблицы, формулы и порядок чтения. Метаданные указывают 507,9 млн параметров и контекст до 128 000 токенов; README приводит оценку размера 1,2 млрд параметров, поэтому сведения о размере расходятся. Модель принимает изображения документов и формирует текстовый результат разбора. В README заявлена устойчивость к геометрическим искажениям фотографий без предварительного выравнивания, а также приведены результаты на нескольких бенчмарках. Карточка позиционирует её как лёгкую модель для практического развёртывания; фактическое качество может зависеть от типа документа и условий съёмки. Поддерживаемые языки по метаданным — китайский, английский и японский. Лицензия — Apache-2.0.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

Gliese-OCR-7B-Post2.0-final-GGUF — мультимодальная модель для распознавания и анализа документов, разработанная prithivMLmods. Это финальная, оптимизированная версия серии Gliese-OCR, созданная на архитектуре Qwen2.5-VL и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель дообучалась на данных для визуализации документов и задач, связанных с OCR. Модель предназначена для OCR, визуального анализа, извлечения и связывания информации, преобразования документов в структурированный вид и интеллектуальной обработки документов (IDP). Она рассчитана на работу со сканированными PDF, рукописными страницами, структурированными формами и аналитическими отчётами, а также может формировать результат в формате Markdown. В карточке указано, что поддерживается английский язык. Архитектура мультимодальная: модель обрабатывает текст и изображения; размер модели — 7B параметров. Доступны варианты квантования GGUF с размерами примерно от 1,9 до 15,2 ГБ, включая F16, Q2–Q8 и IQ-квантизации, что позволяет выбирать баланс между требованиями к памяти и качеством. Сильными сторонами заявлены эффективность, точность и улучшенные возможности визуализации документов. Ограничения, включая фактическую точность на конкретных типах документов, максимальный контекст и требования к оборудованию, в README не указаны. Модель распространяется по лицензии Apache-2.0.

UTC-DeBERTa-large-v2 — универсальная модель для классификации токенов, разработанная Knowledgator. Это prompt-tuned версия DeBERTaV3-large, дообученная на нескольких задачах извлечения информации. Модель анализирует текст вместе с инструкцией-запросом и выделяет соответствующие фрагменты: сущности, предложения и абзацы. Модель предназначена для распознавания именованных сущностей, извлечения отношений и фактов, разрешения кореференции, ответов на вопросы, очистки и суммаризации текста. В карточке приведены результаты на CrossNER: для версии large указаны оценки Micro F1 от 0,8779 до 0,9247 в пяти предметных категориях. Модель имеет 533,8 млн параметров и контекст до 512 токенов; для запуска предусмотрена библиотека Transformers и pipeline token-classification. Модель рассчитана на англоязычный текст. Длинные документы могут потребовать разбиения на части из-за ограничения контекста, а качество зависит от формулировки запроса и задачи. Лицензия — Apache-2.0.

olmOCR-7B-0725 — модель Allen Institute for AI, дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для распознавания текста и извлечения содержимого из изображений документов; для масштабной обработки авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает эффективный инференс с помощью sglang. Модель использует мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает изображение одного документа. В README рекомендовано подавать его с максимальной стороной 1288 пикселей. Метаданные указывают контекст длиной до 128 000 токенов; модель работает с текстом и изображениями, а в качестве основного сценария заявлена обработка документов. Лицензия — Apache-2.0.

Карточка модели dzui/Ovis2.5-2B на Hugging Face совпадает с карточкой ATH-MaaS/Ovis2.5-2B, поэтому описание составлено по ней. Ovis2.5-2B — компактная мультимодальная модель семейства Ovis2.5 от команды Ovis. Она сочетает визуальный энкодер NaViT для обработки изображений в исходном переменном разрешении и языковую модель Qwen3-1.7B. Модель рассчитана на диалоговые сценарии с изображениями и мультимодальные рассуждения; контекст составляет 40 960 токенов. Модель умеет анализировать изображения, распознавать текст и структуру документов, таблиц и форм, отвечать на вопросы по диаграммам и выполнять визуальные рассуждения. Опциональный режим thinking с бюджетом рассуждений добавляет самопроверку и пересмотр ответа, повышая потенциальную точность на сложных запросах ценой дополнительной задержки. В карточке также заявлены результаты на задачах понимания видео и grounding, однако основной интерфейс описан как ввод изображения и текста с текстовым ответом. README отмечает высокие результаты для модели такого размера и пригодность для сценариев с ограниченными ресурсами, но конкретное оборудование или скорость не указаны. Доступны веса safetensors; модель рассчитана на Transformers. Лицензия — Apache-2.0.

Chandra OCR 2 — модель оптического распознавания символов от Datalab, предназначенная для извлечения содержимого изображений и PDF-документов. Она преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. В метаданных указана архитектура Qwen3.5 с плотной моделью типа conditional generation; веса представлены в формате safetensors, для работы используются Transformers и vLLM. Модель рассчитана на распознавание печатного и рукописного текста, таблиц, математических формул, форм и сложной разметки страниц. Она также извлекает изображения и диаграммы, создавая подписи и структурированные данные. Заявлена поддержка более 90 языков; карточка сообщает об улучшениях для многоязычных документов, широких страниц и сложной верстки. В README приведены результаты внутренних тестов, включая 85,9 балла на olmOCR benchmark, а также оценка пропускной способности около двух страниц в секунду в реальном использовании. Эти показатели зависят от документов и оборудования. Код распространяется по Apache 2.0, а веса — по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и применение стартапами ниже установленных финансовых порогов; конкурентное использование с API Datalab запрещено, для более широкого коммерческого использования требуется отдельная лицензия.