IV.2Банки, платежи и инвестиции

mmBERT-32K PII Detector (Merged) — модель для обнаружения и классификации персональных данных в тексте, разработанная для семейства vLLM Semantic Router. Она дообучена на базе llm-semantic-router/mmbert-32k-yarn и предназначена для выделения сущностей вроде имён, адресов электронной почты и телефонов, адресов, платёжных реквизитов, идентификаторов и других типов PII. Модель использует плотную архитектуру ModernBERT с 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и возвращает метки для токенов; репозиторий содержит веса safetensors и ONNX. В README приведены отдельные показатели точности для некоторых типов сущностей, включая 98,7% для имён и 84% для номеров кредитных карт. Модель подходит для поиска и разметки чувствительных данных в документах и текстовых потоках, в том числе как компонент маршрутизации запросов в vLLM Semantic Router. Лицензия — MIT. Приведённые показатели относятся лишь к отдельным типам PII; карточка не описывает качество по остальным классам или языкам, поэтому полноту обнаружения в конкретной задаче следует оценивать отдельно.

Это кросс-энкодер на базе XLM-RoBERTa, дообученный MatinGhiasi от BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель рассчитана на текстовые входы, имеет 658,7 млн параметров и один выходной показатель. README указывает максимальную длину последовательности 512 токенов; метаданные каталога указывают нативный контекст до 8194 токенов. Пример обучающего набора содержит 5220 пар с метками релевантности и финансовые вопросы на персидском языке.

Sparrow — модель KatanaML для извлечения данных из счетов. Она дообучена на базе Donut и предназначена для проверки и обработки корпоративных документов, в частности счетов. Архитектура — vision-encoder-decoder; модель принимает изображения документов и выдаёт текст. В тестовом наборе указана средняя точность 0,96. Для дообучения использовалось до 500 документов; авторы предлагают использовать другие документы для инференса. Репозиторий распространяется по лицензии MIT.

Это модель LayoutLMv3 для извлечения информации из изображений чеков: она размечает токены и связывает текст с его расположением на документе. Модель разработана Theivaprakasham и дообучена на базе microsoft/layoutlmv3-base на наборе SROIE; число параметров — 151,8 млн, максимальная длина контекста — 514 токенов. Модель предназначена для структурирования данных с чеков, например выделения названий компаний, дат, адресов и сумм. На оценочной выборке SROIE указаны F1 0,9404 и точность 0,9945. Она принимает изображение документа вместе с текстом и координатами токенов, а выдаёт метки для токенов. Лицензия в предоставленных данных не указана.

mychen76/mistral7b_ocr_to_json_v1 — дообученная языковая модель Mistral-7B, созданная для преобразования распознанного OCR-текста чеков и счетов в структурированный JSON. Входом служит текст и текстовые блоки, полученные внешним OCR-сервисом; модель не обрабатывает изображения напрямую. Основные сценарии — извлечение полей из чеков и счетов, в том числе на английском и немецком языках. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она дообучена на датасете mychen76/invoices-and-receipts_ocr_v1. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. В README модель обозначена как экспериментальная, поэтому качество структурирования следует проверять на целевых форматах документов.

schift-io/schift-ko-pii-v4 — модель распознавания персональных данных в корейском тексте, разработанная Schift и дообученная с LoRA на основе klue/roberta-base. Это RoBERTa-модель для классификации токенов с разметкой BIES; в метаданных указано 137,8 млн параметров, а длина контекста составляет 514 токенов. README сообщает о публикации весов в формате bf16 safetensors и максимальной длине входа 512 токенов. Модель предназначена для выявления имён, телефонов, адресов, идентификаторов и других PII в корейских юридических, финансовых и административных документах. Дополнительная постобработка может проверять структурированные номера, объединять фрагменты сущностей и подавлять некоторые ложные срабатывания. README приводит результаты внутренних бенчмарков, однако они не гарантируют такую же точность на других данных. Лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

de-Rodrigo/donut-merit — модель понимания документов на архитектуре Donut, дообученная разработчиком на наборе Merit для задач разбора форм. Она принимает изображение документа и формирует текстовое представление его содержимого. Модель относится к семейству vision-encoder-decoder и предназначена для сценариев извлечения информации из форм. Карточка указывает английский и испанский языки. Модель распространяется в формате safetensors по лицензии MIT. Основана на naver-clova-ix/donut-base-finetuned-cord-v2. README помечен как WIP; дополнительных сведений о качестве и ограничениях модели нет.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea и представленная здесь как зеркало репозитория Werea-co. Это полнопараметрическое дообучение LightOnOCR-2-1B-base с архитектурой LightOn OCR; модель принимает изображение страницы и извлекает текст в порядке чтения, включая таблицы, с форматированием Markdown. Модель ориентирована на 12 типов документов: доверенности, страховые полисы, электронные счета, договоры аренды, банковские квитанции, документы на недвижимость, расчётные листки, регистрационные формы автомобилей, официальные письма, публикации торгового реестра и выписки SGK. Обучающая выборка содержит 12 960 синтетических страниц; README сообщает средний CER 0,15% на 72 тестовых страницах, включая цифровые документы, сканы и фотографии. Лицензия — Apache-2.0. Оценка проводилась на тестовых страницах из того же синтетического распределения, что и обучающие данные, поэтому результат может не переноситься на реальные документы. Авторы рекомендуют проверку на реальных сканах и фотографиях и контроль человеком в критически важных сценариях.

Карточка модели CollectionStudio/chronos-t5-small на Hugging Face совпадает с карточкой amazon/chronos-t5-small, поэтому описание составлено по ней. Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

granite-vision-3.3-2b-chart2csv-preview — специализированная зрительно-языковая модель IBM, дообученная на основе ibm-granite/granite-vision-3.3-2b для извлечения табличных данных из графиков и визуализаций. Она принимает изображение графика и по рекомендуемому запросу формирует машиночитаемый CSV с числовыми значениями. Модель предназначена для извлечения данных из графиков в отчётах, презентациях и PDF, в том числе в конвейерах обработки документов Docling и системах мультимодального анализа. Для обучения использовались синтетические данные графиков, созданные по методологии ChartGen; IBM сообщает о повышенной точности чисел по сравнению с универсальными VLM. Архитектура соответствует Granite Vision 3.3 2B; модель построена на Llava Next и распространяется в формате safetensors. На низком разрешении, при сложной компоновке, перекрывающихся элементах или необычных типах графиков таблицы могут быть неполными или содержать ошибки. Результаты следует проверять перед использованием в аналитике с высокими последствиями; модель не предназначена для надёжного решения общих задач компьютерного зрения. Лицензия — Apache-2.0.

Модель riteshbehera857/layoutlm-base-uncased-finetuned-invoices-2 — дообученная версия riteshbehera857/layoutlm-base-uncased-finetuned-invoices-1 для извлечения полей из счетов и разметки их токенов. Она использует архитектуру LayoutLMForTokenClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. По оценкам в карточке, общая точность F1 на наборе оценки составляет 0,9784; модель размечает имена, адреса, номера счета и заказа, даты, налоговый номер и суммы. Лицензия — MIT. Оценки относятся к указанному набору оценки; сведения о его составе и ограничениях в карточке не приведены.

Sundial (Timer 3.0) — генеративная фундаментальная модель временных рядов, разработанная командой THUML. Версия с 113,2 млн параметров предварительно обучена на более чем 1 трлн временных точек и предназначена для прогнозирования временных рядов, в том числе без дополнительного обучения на конкретном наборе данных. Модель поддерживает точечные и вероятностные прогнозы: по сгенерированным вариантам можно получать средние значения, квантили и другие статистические оценки. Архитектура включает decoder-only Transformer с причинной маской и патчевым представлением входных рядов; README описывает контекст до 2880 временных шагов и предсказание до 720 шагов. Каталог указывает контекст 10 000 токенов, поэтому фактический предел зависит от используемого представления и конфигурации. Sundial рассчитана на прогнозирование в разных прикладных областях, где доступны числовые временные ряды. Для удобства инференса заявлены KV cache и FlashAttention; модель доступна в формате safetensors и интегрирована в Transformers. Лицензия — Apache-2.0. Результаты бенчмарков из README не гарантируют такую же точность на конкретных данных; совместимость Quickstart привязана к указанной версии Transformers и Python.

Vintern-1B-v3.5 — мультимодальная модель с визуально-языковой архитектурой InternVLChat, разработанная 5CD-AI и дообученная на базе OpenGVLab/InternVL2_5-1B. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена прежде всего для распознавания текста и понимания документов на вьетнамском языке, сохраняя возможности работы с англоязычными данными. Модель рассчитана на OCR и извлечение сведений из счетов, юридических документов, рукописей и таблиц, а также на ответы на вопросы по изображениям документов. В README указаны 1 млрд параметров и возможность запуска на GPU T4; сравнительные результаты приведены для vi-MTVQA, DocVQAtest и InfoVQAtest. Метаданные указывают поддержку вьетнамского, английского и китайского языков, формат весов safetensors и библиотеку Transformers. Модель распространяется по лицензии MIT. README не приводит длину контекста и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность на новых документах и сценариях.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea на основе LightOnOCR-2-1B-base и дообученная полным fine-tuning. Она преобразует изображение страницы в текст с сохранением порядка чтения и представляет таблицы в формате Markdown. Модель рассчитана на 12 типов документов, включая счета, банковские квитанции, договоры аренды, полисы, выписки и официальные письма, а также на цифровые изображения, сканы и фотографии с телефона. В заявленном тестировании на 72 страницах из той же синтетической распределённой выборки средний и медианный CER составили 0,15%. Данные обучения включали 12 960 синтетических страниц с вымышленными идентификаторами и недействительными контрольными суммами. Поскольку тестирование было выполнено на данных, близких к обучающим по распределению и шаблонам, результаты могут не отражать качество на реальных документах; для критических сценариев автор рекомендует проверку человеком. Лицензия модели — Apache-2.0.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README описан подход Chronos: числовой ряд масштабируется и квантуется в последовательность токенов, которую языковая модель обрабатывает авторегрессионно. Модель обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по историческим наблюдениям и построения вероятностных прогнозов путём выборки нескольких возможных траекторий. Размер этой версии — 102,2 млн параметров; контекст составляет до 512 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Временные ряды кодируются как токены для архитектуры T5, поэтому результат относится к числовому прогнозированию, а не к обычной генерации текста. README сообщает, что Chronos-Bolt быстрее и точнее моделей исходного семейства Chronos сопоставимого размера; конкретные ограничения точности и поддерживаемые частоты зависят от данных и сценария применения.

Chronos-T5 Tiny — компактная предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она основана на архитектуре T5; временные ряды масштабируются и квантуются в последовательности токенов, после чего модель авторегрессионно генерирует возможные будущие значения. Выборка нескольких траекторий позволяет получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Её обучали на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Tiny указано 8 млн параметров и база t5-efficient-tiny; метаданные каталога указывают 4,7 млн параметров. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку chronos-forecasting. Лицензия — Apache 2.0.

GLiNER ContractNER Multi — многоязычная модель распознавания сущностей, дообученная Agile Lab на наборе ContractNER. Она извлекает из юридических договоров фрагменты текста, соответствующие заданным типам сущностей, включая стороны договора, должности, даты, условия продления, суммы и ссылки на законы и нормативные акты. Модель основана на GLiNER Multi v2.1 с энкодером mDeBERTa-v3-base и содержит около 209 млн параметров; поддерживает задаваемые пользователем метки, а для обученной схемы предусмотрено 18 типов сущностей. Модель предназначена для предварительного анализа договоров, проверки юридических документов и мониторинга сроков действия и продления договоров. В тесте на выборке из 158 примеров она показала micro F1 72,49% при пороге 0,9. Основная оптимизация выполнена для англоязычных договоров; качество может снижаться для языков с небольшим объёмом данных, а контекст ограничен 384 токенами, поэтому для длинных документов рекомендуется обработка скользящими окнами. Модель распространяется по лицензии Apache-2.0.

urchade разработала GLiNER PII — модель распознавания именованных сущностей, дообученную на базе urchade/gliner_multi-v2.1 на синтетическом наборе данных с персональными данными. Она использует двунаправленный трансформерный энкодер типа BERT и предназначена для извлечения PII из текста, в том числе когда нужные типы сущностей задаются пользователем. Модель распознаёт имена людей и организаций, телефоны, адреса, электронную почту, номера документов, банковские и страховые идентификаторы, даты рождения, медицинские сведения, IP-адреса и другие перечисленные в карточке сущности. Карточка указывает поддержку английского, французского, немецкого, испанского, португальского и итальянского языков. Модель распространяется в формате PyTorch через библиотеку GLiNER и опубликована под лицензией Apache-2.0. GLiNER PII рассчитана на извлечение и разметку чувствительных сущностей в текстах, например для обнаружения персональных данных перед их редактированием или маскированием. Карточка не приводит количественных оценок качества, поэтому пригодность для конкретных типов документов и языков следует оценивать на собственных данных.

Granite-TimeSeries-PatchTST-FM-r1 — модель временных рядов от IBM, построенная на архитектуре PatchTST-FM. Она предназначена для прогнозирования временных рядов без дообучения на целевых данных и поддерживает вероятностные прогнозы с помощью квантильной головы. При наличии пропусков во входном контексте модель может одновременно восстанавливать пропущенные значения и прогнозировать будущие точки. Модель обучена на наборе разнородных временных рядов, синтетических данных и данных с аугментацией. Архитектура использует трансформер с размерностью 1024, патчи длиной 16 и 99 квантилей; README указывает около 260 млн параметров, тогда как метаданные репозитория — 335,5 млн. Контекст составляет 8192 точки и включает входной контекст и горизонт прогноза. Модель рассчитана на временные ряды, поэтому языковая поддержка к ней неприменима. README сообщает о результатах среди ведущих воспроизводимых zero-shot моделей на GIFT-Eval, но отмечает, что результаты ещё ожидали включения в бенчмарк. Модель распространяется по лицензии Apache-2.0. IBM указывает, что не обязуется предоставлять обновления или поддержку проекта.

Moirai-2.0-R-Small — компактная авторегрессионная модель трансформера для прогнозирования временных рядов, разработанная Salesforce. Она предварительно обучена на наборах GIFT-Eval и Chronos, синтетических рядах и внутренних операционных данных Salesforce; размер модели — 12,4 млн параметров. Для запуска вывода используется библиотека uni2ts. Модель предназначена для прогнозирования временных рядов. В версии 2.0 применяются функция потерь на квантилях, предсказание нескольких токенов за шаг, фильтрация рядов низкого качества при обучении, патчевые эмбеддинги с информацией о пропусках и случайное маскирование патчей для повышения устойчивости при выводе. Модель выпущена для исследовательского использования; Salesforce указывает, что исследовательская версия и связанные данные не разрабатывались и не оценивались для всех прикладных сценариев. Перед применением следует оценить точность, безопасность и справедливость результатов, особенно в сценариях с высокими последствиями ошибок. Лицензия — CC BY-NC 4.0.

scroobiustrip/mpnet-direction-finetuned-v2 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений с учётом направления отношений. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Максимальная длина входа в метаданных — 514 токенов; карточка README указывает ограничение в 384 токена. Модель предназначена для семантического поиска, оценки сходства и поиска перефразировок. Также её можно применять для кластеризации текстов и классификации на основе эмбеддингов. В обучающих примерах встречаются запросы о международных денежных переводах с указанием стран отправления и назначения, поэтому модель настроена на различение направления таких операций. В README приведён результат cosine_accuracy 1.0 на all-nli-test, но подробностей о методике и диапазоне применимости недостаточно, чтобы считать его гарантией качества на других данных. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

Карточка модели selvakumarcts/sk_invoice_receipts на Hugging Face совпадает с карточкой mychen76/invoice-and-receipts_donut_v1, поэтому описание составлено по ней. mychen76/invoice-and-receipts_donut_v1 — модель на основе Donut, дообученная для извлечения структурированных данных из изображений счетов и чеков. Она принимает изображение документа и формирует результат в виде JSON или XML, позволяя преобразовывать содержимое документа без отдельного OCR-движка. Модель предназначена для автоматизации обработки счетов и чеков, например для извлечения сведений о покупке и переноса их в структурированные системы. В метаданных указана архитектура vision-encoder-decoder и формат весов PyTorch/Safetensors. Модель опубликована под лицензией Apache-2.0. В README модель названа экспериментальной. Карточка не приводит сведения о размере модели, контекстном окне или поддерживаемых языках документов; качество извлечения на разных шаблонах и языках не описано.

TabPFNMix Regressor — регрессионная модель для табличных данных, разработанная AutoGluon. Это табличная foundation-модель на основе 12-слойного Transformer encoder-decoder с 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных регрессоров, и использует обучение в контексте, подобное TabPFN и TabForestPFN. Модель предназначена для предсказания числовых значений по признакам таблицы. Её можно применять для табличной регрессии; README указывает на использование через AutoGluon. Модель распространяется в формате safetensors по лицензии Apache-2.0.

TimesFM — предварительно обученная фундаментальная модель для прогнозирования временных рядов, разработанная Google Research. Репозиторий содержит чекпойнт timesfm-1.0-200m в формате PyTorch; модель использует архитектуру декодера только для прогнозирования временных рядов и насчитывает около 200 млн параметров согласно идентификатору чекпойнта. Модель предназначена для прогнозирования одномерных временных рядов. Она принимает контекст длиной до 512 временных точек, категориальный индикатор частоты и выдаёт точечный прогноз на заданный горизонт. Контекст должен быть непрерывным, а частота входного ряда и горизонта — одинаковой. Вероятностные прогнозы не поддерживаются; экспериментальные квантильные выходы не откалиброваны после предварительного обучения. Для загрузки чекпойнта используется библиотека TimesFM. Лицензия — Apache 2.0. Авторы отмечают, что модель не является официально поддерживаемым продуктом Google.

TrOCR base-printed — модель оптического распознавания текста Microsoft, основанная на архитектуре encoder-decoder Transformer. Зрительный энкодер инициализирован весами BEiT, текстовый декодер — весами RoBERTa; модель дообучена на наборе SROIE. Модель предназначена для распознавания текста на изображениях отдельных строк, в том числе для сценариев OCR документов и чеков. Она разбивает изображение на патчи 16×16, кодирует их визуальным Transformer и авторегрессионно генерирует текст токенами. В карточке не приведены сведения о поддерживаемых языках и лицензии. Модель ориентирована на изображения отдельных строк, поэтому может быть неподходящей для распознавания сложной страницы целиком без предварительной обработки.

anchovy/autogluon-chronos-t5-small — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. Она преобразует числовой временной ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно генерирует будущие значения. Несколько сэмплированных траекторий позволяют получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. В репозитории указаны формат safetensors, лицензия Apache-2.0 и размер 24,1 млн параметров; метаданные задают контекст 512 токенов. В README для варианта T5-small указано 46 млн параметров, что расходится с метаданными репозитория.

Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.

girenit-DocOCR-1B v2 — разработанная Girenit модель OCR для турецких корпоративных документов, дообученная полным обновлением параметров на базе LightOnOCR-2-1B-base. Она преобразует изображение страницы в упорядоченный текст в формате Markdown, сохраняя таблицы. Модель обучалась на 12 типах документов, включая счета, банковские квитанции, договоры аренды, страховые полисы, выписки и официальные письма, а также на цифровых изображениях, сканах и фотографиях с телефона. В README приведён результат CER 0,15% на 72 тестовых страницах. Однако страницы теста взяты из того же синтетического распределения, что и обучающие данные, поэтому качество на реальных документах может отличаться; для важных сценариев рекомендована проверка человеком. Модель распространяется по лицензии Apache-2.0.

GLiNER-PII Edge v1.0 — компактная модель распознавания именованных сущностей, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем находит соответствующие фрагменты текста; модель настроена для выявления более 60 категорий персональных, медицинских и платёжных данных и поддерживает обнаружение пользовательских типов без переобучения. Её предназначение — локальная обработка чувствительных данных в документах, расшифровках и журналах, в том числе на устройствах с ограниченными ресурсами. Модель основана на двунаправленном трансформере GLiNER и доступна в форматах PyTorch и ONNX; для ONNX указаны варианты FP16 и UINT8. В оценке на синтетическом наборе synthetic-multi-pii-ner-v1 она получила F1 75,50%; README отмечает, что Edge-вариант рассчитан на меньшую задержку и размер модели по сравнению с более крупной версией, с некоторым снижением полноты обнаружения. Лицензия — Apache-2.0.