IV.2Банки, платежи и инвестиции

dots.ocr — мультиязычная модель разбора документов от команды dots. Она объединяет распознавание текста и анализ структуры страницы в одной плотной vision-language архитектуре на 1,5 млрд параметров; метаданные указывают контекст длиной 131 072 токена. Модель принимает изображения страниц и может выдавать распознанный текст, порядок чтения и структурированные данные о расположении элементов, включая координаты и категории. В README заявлена поддержка документов на разных языках, а метаданные карточки отмечают английский и китайский. Модель предназначена для OCR и разбора страниц документов: определения макета, извлечения текста и обработки таблиц и формул. Она рассчитана на сценарии, где нужен единый этап распознавания и структурирования вместо цепочки отдельных моделей; для обработки PDF README рекомендует растрировать страницы с разрешением около 200 DPI. Указана лицензия MIT. Ограничения включают неточный разбор сложных таблиц и формул, отсутствие разбора содержимого изображений внутри документов и возможные сбои на страницах с высокой плотностью символов. Непрерывные специальные символы могут вызывать зацикливание вывода; модель также пока не оптимизирована для высокопроизводительной пакетной обработки больших объёмов PDF.

Hanji Parse 4B — модель компьютерного зрения и языка, разработанная Hanji Dev и дообученная на Qwen/Qwen3-VL-4B-Instruct. Она принимает изображение страницы документа и возвращает JSON-массив содержательных блоков: текст с координатами, заголовки, пары «ключ–значение», таблицы в формате GitHub-Flavored Markdown и нетекстовые изображения, например фотографии, диаграммы, штампы и подписи. Модель предназначена для OCR и разбора структуры документов с сохранением расположения элементов. Результат подходит для извлечения текста и областей страницы в последующих системах обработки документов. Для изображений рекомендуется уменьшение до 2 мегапикселей без увеличения, с размерами, кратными 32 пикселям; карточка также рекомендует жадное декодирование и ограничение вывода JSON-схемой. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и поддерживает зрительно-текстовый ввод и текстовый вывод. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. Языковая поддержка и размер контекстного окна в предоставленных данных не указаны.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

Многоязычная модель bards.ai для обнаружения и разметки персональных и чувствительных данных в тексте, предназначенная для последующего обезличивания. Она основана на XLM-RoBERTa-base и дообучена для классификации токенов с BIO-метками; охватывает 36 классов сущностей, включая идентификационные и контактные данные, финансовые и технические идентификаторы, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Модель рассчитана на 24 официальных языка ЕС. Доступны веса Safetensors и ONNX, включая версию ONNX с INT8-квантизацией для CPU; размер модели — 305,2 млн параметров, контекст — до 514 токенов. Подходит для поиска данных перед сохранением документов, писем, обращений и переписок, очистки наборов данных и фильтрации текста в RAG-конвейерах и поисковых индексах. Лицензия — Apache-2.0. Точность зависит от языка, предметной области и качества входа; OCR-ошибки, смешение языков и неоднозначные упоминания могут ухудшать обнаружение. Для соответствия требованиям модель следует использовать как часть процесса проверки и обезличивания, а не как самостоятельную гарантию юридической достаточности.

Gliese-OCR-7B-Post2.0-final-i1-GGUF — квантованная GGUF-версия vision-language модели Gliese-OCR-7B-Post2.0-final, разработанной prithivMLmods и квантованной mradermacher. Модель ориентирована на обработку документов: OCR, преобразование изображений и PDF в текст или Markdown, извлечение и связывание структурированных данных, а также задачи Intelligent Document Processing и Key Information Extraction. Модель имеет размерный класс 7B, поддерживает работу с визуальными данными и текстом и предназначена прежде всего для англоязычных документов. В репозитории представлены варианты квантования от IQ1 до Q6, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S; их размер составляет примерно от 2,0 до 6,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для запуска vision-модели могут потребоваться файлы mmproj из статического репозитория. Сильная сторона модели — специализация на распознавании и анализе документов, включая вывод в Markdown и извлечение информации из визуального содержимого. Ограничения README не раскрывает: отсутствуют сведения о длине контекста, точной архитектуре, поддерживаемых языках помимо English, результатах тестирования и типичных ошибках. Доступно множество квантованных вариантов, но наиболее низкобитные версии могут заметно уступать по качеству. Лицензия — Apache-2.0.

Sonar Deep Research — исследовательская модель Perplexity для многоэтапного поиска, синтеза и рассуждений по сложным темам. Она самостоятельно ищет и читает источники, оценивает их и уточняет подход по мере сбора информации. Модель предназначена для углублённого исследования вопросов, требующих работы с несколькими источниками и последовательного обобщения найденных сведений. Данных о размере, архитектуре, поддерживаемых языках, длине контекста и лицензии в доступных материалах нет.

Kepler-Qwen3-4B-Super-Thinking — плотная языковая модель на архитектуре Qwen3, дообученная PrithivMLmods на Qwen3-4B-Thinking-2507. Она предназначена для генерации текста с акцентом на рассуждения, математику, вероятностные задачи, событийную логику и структурированный анализ. Модель поддерживает чат и заявленную многоязычную генерацию; может формировать ответы в форматах LaTeX, Markdown, JSON, CSV и YAML. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий использует safetensors, а лицензия — Apache-2.0. Модель рассчитана на исследователей, преподавателей и разработчиков, которым нужны решения задач на вероятность и логический вывод, симуляция событий или структурированные технические ответы. Заявленный акцент на вероятностных рассуждениях и структурированном выводе следует считать описанием назначения модели, а не гарантией точности. README отмечает трудности со сложными многошаговыми задачами и очень длинным контекстом, а также меньшую пригодность для творческого письма и эмоционального общения.

dragonkue/multilingual-e5-small-ko-v2 — модель Sentence Transformer на архитектуре BERT, дообученная на основе intfloat/multilingual-e5-small и объединённая методом Model Soup с dragonkue/multilingual-e5-small. Она предназначена прежде всего для поиска документов по запросу на корейском языке и других задач семантического поиска. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, после чего длинный текст обрезается. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана поддержка корейского и английского языков; обучение и оценка ориентированы на корейские retrieval-задачи, включая поиск в документах из медицинской, финансовой, правовой и других областей. Компактный размер упрощает использование в лёгких приложениях; для повышения качества поиска автор рекомендует сочетать её с реранкером. Указанная лицензия — Apache-2.0.

agentlans/multilingual-e5-small-pii-detector — дообученная модель классификации текста на основе BERT multilingual-e5-small, предназначенная для обнаружения персональных данных (PII) в тексте. Её можно применять для предварительной проверки пользовательских сообщений, документов и записей перед передачей или публикацией, а также как вспомогательный компонент процессов редактирования и маскирования данных. Модель содержит 124,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors. В карточке приведены примеры на английском, французском и испанском языках; метаданные указывают на многоязычную поддержку. На оценочном наборе автор сообщает accuracy 0,9214. Модель выпущена под лицензией Apache-2.0. Чувствительность может быть ниже для отдельных языков и форматов персональных данных, включая некоторые номера карт и локальные идентификаторы; на очень коротких фрагментах без контекста качество может снижаться. Результаты следует использовать как вспомогательную проверку, а не как замену юридической или комплаенс-проверке.

EVIE-4.5B — мультимодальная модель Tencent для поиска по визуальному содержимому страниц документов. Она основана на ColQwen3.5 и использует позднее взаимодействие многовекторных представлений: кодирует текстовый запрос и изображение страницы в наборы векторов, а релевантность оценивается сопоставлением токенов. Модель содержит 4,5 млрд параметров и поддерживает эластичные векторы размерностью от 64 до 2048, которую можно выбирать усечением единственной проекции. Модель предназначена для поиска документов по содержимому сложных страниц, включая таблицы, диаграммы, структуру макета и мелкий текст. Для уменьшения объёма индекса можно применять HAC — алгоритм кластеризации токенов без дополнительного обучения, сжимая представление страницы до 32 или 64 векторов. В README приведены результаты оценки на ViDoRe и JinaVDR, включая многоязычные задачи. EVIE-4.5B получена дообучением Tencent/EVIE-Preview-4.5B; в описании также говорится о дистилляции студенческой модели от модели EVIE-8B. Репозиторий использует библиотеку colpali-engine и формат safetensors. Лицензия Apache-2.0.

Это мультиязычный LoRA-адаптер PII для Statim Decide Multilingual Base 0.7.0, опубликованный Beko2210. Он настраивает базовую модель на решения по категории PII: например, определение наличия в тексте телефонного номера. Для использования требуется совместимая базовая модель и Statim версии 0.8.0 или новее; адаптер привязан к отпечатку конкретной версии базы. В репозитории представлены GGUF и safetensors, а метаданные указывают библиотеку gguf. В эксперименте адаптер повысил среднюю оценку с 0,8558 до 0,9103 для f32 и до 0,9109 для q8_0; выборка составляла 150 примеров на ячейку. Поддерживаются языки ar, de, en, es, fr, it, ja, nl, ru, sv и zh, но языки вне проверенного списка не тестировались. Лицензия PolyForm Noncommercial 1.0.0; автоматизированные решения о людях требуют проверки человеком.

JFernandoGRE/gtelarge-colombian-corporationnames — модель Sentence Transformers, дообученная на базе thenlper/gte-large для сравнения названий колумбийских компаний. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024; сходство между ними можно оценивать косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенов и нормализацию, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления названий организаций, включая выявление вариантов написания и похожих названий. Также её эмбеддинги можно применять для кластеризации, поиска парафразов и классификации текста. Обучение включало 14 872 пары примеров с OnlineContrastiveLoss; в README приведены примеры с названиями колумбийских компаний. Лицензия в предоставленных данных не указана.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

Карточка модели aria220/privacy-filter-multilingual на Hugging Face совпадает с карточкой OpenMed/privacy-filter-multilingual, поэтому описание составлено по ней. OpenMed разработала privacy-filter-multilingual — многоязычную модель для извлечения и разметки фрагментов с персональными данными в тексте. Это полноценно дообученная модель OpenAI Privacy Filter с архитектурой MoE и классификационной BIOES-разметкой токенов. Она распознаёт 54 категории PII, преобразованные в 217 меток BIOES, и предназначена для последующего маскирования или обезличивания текста. Модель рассчитана на арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Она подходит для поиска персональных данных в документах и сообщениях, подготовки текста к передаче или хранению и интеграции в конвейеры защиты данных. Размер модели по метаданным — 145,4 млн параметров; нативный контекст — 131 072 токена. Качество распознавания неодинаково: авторы отмечают лучшие результаты для немецкого, испанского, французского, итальянского, хинди, телугу и английского; китайский, японский, корейский и некоторые языки с низким ресурсом остаются сложнее. Обучающие наборы синтетические, поэтому реальные медицинские, юридические и веб-тексты могут отличаться от обучающих примеров. Модель не предназначена специально для клинических медицинских данных и не заменяет проверку соответствия требованиям законодательства. Лицензия — Apache-2.0.

Карточка модели EdgeAIMed/privacy-filter-multilingual на Hugging Face совпадает с карточкой OpenMed/privacy-filter-multilingual, поэтому описание составлено по ней. OpenMed разработала privacy-filter-multilingual — многоязычную модель для извлечения и разметки фрагментов с персональными данными в тексте. Это полноценно дообученная модель OpenAI Privacy Filter с архитектурой MoE и классификационной BIOES-разметкой токенов. Она распознаёт 54 категории PII, преобразованные в 217 меток BIOES, и предназначена для последующего маскирования или обезличивания текста. Модель рассчитана на арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Она подходит для поиска персональных данных в документах и сообщениях, подготовки текста к передаче или хранению и интеграции в конвейеры защиты данных. Размер модели по метаданным — 145,4 млн параметров; нативный контекст — 131 072 токена. Качество распознавания неодинаково: авторы отмечают лучшие результаты для немецкого, испанского, французского, итальянского, хинди, телугу и английского; китайский, японский, корейский и некоторые языки с низким ресурсом остаются сложнее. Обучающие наборы синтетические, поэтому реальные медицинские, юридические и веб-тексты могут отличаться от обучающих примеров. Модель не предназначена специально для клинических медицинских данных и не заменяет проверку соответствия требованиям законодательства. Лицензия — Apache-2.0.

OpenMed разработала OpenMed/privacy-filter-multilingual-v2 — мультиязычную модель для извлечения персональных данных из текста. Это полноценно дообученная на базе openai/privacy-filter модель с архитектурой MoE и BIOES-головой классификации токенов. Она размечает фрагменты по 54 категориям PII, используя 217 меток BIOES. В метаданных указано 145,4 млн параметров и контекст до 131 072 токенов; карточка описывает исходную базовую модель как MoE на 1,4 млрд параметров с 50 млн активных параметров на токен. Модель предназначена для обнаружения и последующего маскирования персональных данных в многоязычных текстах; обёртка OpenMed также поддерживает извлечение сущностей и деидентификацию с заменой значений. Поддерживаются арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Весовые файлы представлены в формате safetensors, лицензия — Apache-2.0. Качество неравномерно: карточка отмечает более слабые результаты для японского, корейского, китайского и ряда языков с низкими ресурсами. Обучающие данные преимущественно синтетические, поэтому для реальных текстов и критически важных сценариев нужны доменная оценка и калибровка; модель не является специализированным решением для клинических медицинских данных и не заменяет проверку требований законодательства.

Patronus-Lynx-8B-Instruct — языковая модель Patronus AI для выявления галлюцинаций в системах генерации с дополнением по поиску (RAG). Она принимает документ, вопрос и ответ и оценивает, подтверждается ли ответ содержимым документа. Модель основана на Llama 3 8B Instruct и дообучена на данных CovidQA, PubmedQA, DROP и RAGTruth, включая разметку, созданную людьми и синтетически. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов по метаданным. Она рассчитана прежде всего на английский язык и использует генерацию текста для выдачи оценки. Patronus AI сообщает об оценивании на HaluBench и перечисленных в карточке наборах данных. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничения на коммерческое применение.

NaijaVox-V1 — модель распознавания речи от Axiveri, дообученная методом LoRA на базе OpenAI Whisper-large-v3 для нигерийских языков и акцентов. Она преобразует аудио в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском варианте английского; для йоруба заявлена поддержка диакритических знаков. Репозиторий содержит веса в формате Safetensors и расширенный токенизатор с новыми языковыми токенами. Модель предназначена для транскрибации речи в мобильных приложениях, банковском обслуживании, СМИ, здравоохранении, образовании и средствах доступности, а также для исследований распознавания малоресурсных языков Западной Африки. В README приведены результаты оценки на небольших тестовых выборках FLEURS и других наборах: например, WER составляет 16,8% для нигерийского пиджина, 21,1% для нигерийского английского и 28,8% для йоруба. Эти результаты не гарантируют аналогичного качества на других записях и условиях. Модель рассчитана на входное аудио и выдаёт текст. В карточке не приведены сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

Карточка модели aria220/privacy-filter-nemotron на Hugging Face совпадает с карточкой OpenMed/privacy-filter-nemotron, поэтому описание составлено по ней. OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

NVIDIA DeepSeek-V4-Pro-0813-NVFP4 — квантизированная версия модели DeepSeek-V4-Pro-0813, разработанной DeepSeek AI и оптимизированной NVIDIA с помощью Model Optimizer. Это авторегрессионная текстовая языковая модель на архитектуре Transformer с Mixture-of-Experts, гибридным вниманием Compressed Sparse Attention и Heavily Compressed Attention, а также Manifold-Constrained Hyper-Connections. Общий объём модели составляет 1,65 трлн параметров, из которых при генерации активируется 49 млрд. NVIDIA отдельно указывает, что модель не принадлежит ей и не была ею разработана как исходная модель. Модель предназначена для сложного рассуждения, агентных AI-приложений, использования инструментов и решения задач в математике, программной инженерии и корпоративных AI-ассистентах. Она принимает и генерирует текст, поддерживает многошаговые диалоги, системные инструкции, структурированный JSON-вывод, function calling и выдачу рассуждений при включении соответствующего режима. Максимальная длина контекста заявлена на уровне 1 млн токенов; предусмотрен собственный конвейер кодирования encoding_dsv4 с уровнями усилий рассуждения low, high и max. В составе исходного чекпойнта также заявлен модуль спекулятивного декодирования DSpark. Модель распространяется по лицензии MIT и допускает коммерческое и некоммерческое использование. Для запуска указаны SGLang и vLLM, Linux и GPU NVIDIA Blackwell B200; практическая производительность ориентирована на ускорение NVIDIA. Ограничения включают требовательность к совместимой аппаратной инфраструктуре, неизвестные сведения об обучающих данных и необходимость дополнительного тестирования на прикладных данных для проверки качества, безопасности и соответствия требованиям конкретного сценария.

Camel-Doc-OCR-062825 — дообученная PrithivMLmods модель на базе Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Она принимает изображения и текстовые запросы, извлекает содержимое и структурированные сведения, связывает элементы документа и отвечает на вопросы по его содержимому. Модель ориентирована на работу с таблицами, графиками, математическими выражениями, сложной разметкой страниц, слайдами и мультимодальными материалами; заявлены также понимание видео и визуально управляемое взаимодействие с устройствами. Модель построена на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Базовая модель поддерживает контекст до 128 000 токенов. В карточке заявлена работа с несколькими языками, но отмечена переменная точность для редких языков и письменностей. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. Среди ограничений — снижение качества на нечетких или частично закрытых изображениях, высокие требования к ресурсам и возможные галлюцинации. Длительная обработка видео требует значительной памяти; потоковая работа не оптимизирована.

Sonar Pro — языковая модель Perplexity, предназначенная для ответов на вопросы с поиском в интернете и опорой на найденные источники. По сравнению с базовым Sonar она рассчитана на более глубокий поиск по большему числу источников и синтез подробных ответов; поддерживает сложные многоэтапные запросы. Данных о размере, архитектуре, контекстном окне и лицензии в доступных источниках нет, поэтому эти характеристики не уточняются.

MiniCPM5-Vision-2B — мультимодальная модель компьютерного зрения и языка, опубликованная ewin-reg. Она сочетает визуальный энкодер SigLIP-SO400M-Patch14-384 с языковой основой openbmb/MiniCPM5-2B через обучаемый проектор и использует динамическое разбиение изображений на фрагменты. Языковая часть содержит 2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа изображений высокого разрешения, распознавания текста в документах, извлечения табличных данных и ответов на вопросы по изображениям и диаграммам. В README описано дообучение с LoRA и учебная программа, включающая DocVQA и ChartQA; метаданные также указывают визуальную привязку. Карточка заявляет поддержку английского и китайского языков. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Заявленные результаты обучения и оценки приведены в README, однако его таблица бенчмарков неполна, а независимые показатели качества не представлены. Для обработки изображений высокого разрешения применяется разбиение на фрагменты, поэтому подробные изображения могут требовать больше вычислительных ресурсов.

ember-v1 — англоязычная модель эмбеддингов текста от vectoriseai, построенная на архитектуре BERT. Она обучена на корпусе пар текстов из разных областей, включая финансы, науку, медицину и право; при обучении использовались приёмы из работ RetroMAE и SetFit. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости, например в поиске и ранжировании текстов. Модель содержит около 433,9 млн параметров и обрабатывает до 512 токенов; более длинные входы обрезаются. В README приведён результат 63,54 в среднем по 56 задачам MTEB при размерности эмбеддингов 1024. Доступны форматы PyTorch, safetensors и ONNX. Лицензия — MIT; разработчик также предлагает доступ к модели через API LLMRails.

nandraj/NaviDC-OCR-GGUF — это конвертированная в формат GGUF версия мультимодальной Vision-Language Model NaviDC-OCR, разработанной организацией StarDoc-AI. Репозиторий nandraj не содержит оригинальных обучающих весов и не заявляет о дополнительном обучении или дообучении модели. Модель предназначена для анализа цифровых и сфотографированных документов. Она поддерживает OCR и извлечение текста, разбор документов, распознавание таблиц и формул, анализ структуры и расположения элементов, определение порядка чтения, обработку искажённых документов, а также понимание научных документов. Модель имеет около 1,2 млрд параметров и работает с изображениями и текстом; точные сведения о языках и размере контекста в README не указаны. Основной формат распространения — GGUF для локального запуска через llama.cpp и совместимые среды, включая сценарии на CPU и GPU. Доступны варианты с разным уровнем квантования от F16 до Q2_K–Q8_0, а мультимодальный компонент поставляется отдельно в файле MMProj. Для работы требуется пропатченная сборка llama.cpp: стандартная версия не загружает модель из-за ошибки проверки размеров тензоров. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели ng3owb/finance_embedding_8k на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

next-12b-i1-GGUF — квантизированная версия модели next-12b от thelamapi, подготовленная mradermacher в формате GGUF. Это плотная causal transformer-модель примерно на 12 миллиардов параметров, предназначенная для локального запуска и генерации текста. В README она обозначена как vision model, поэтому может поддерживать мультимодальные сценарии при наличии соответствующего mmproj-файла, однако конкретные возможности обработки изображений не описаны подробно. Модель ориентирована на диалог, ответы на вопросы, суммаризацию, творческое письмо, рассуждения, программирование и работу с текстами в специализированных областях, включая химию, биологию, финансы и право. Для дообучения использовались наборы данных с инструкциями, математическими задачами, рассуждениями, диалогами и письменными запросами. Заявлена поддержка множества языков, включая английский, турецкий, русский, немецкий, французский, испанский, китайский, японский, корейский и другие. Репозиторий содержит варианты квантизации от i1-IQ1_S до i1-Q5_K_M и более качественные или компактные сборки с разным размером примерно от 3 до 8,5 ГБ. Квантизация снижает требования к памяти и позволяет запускать модель локально, но может ухудшать качество по сравнению с исходной версией; наиболее сбалансированными в README названы i1-Q4_K_S и i1-Q4_K_M. Размер контекста и точные показатели качества не указаны. Лицензия модели — MIT.

Bee-8B-SFT — мультимодальная модель с открытыми весами от команды Open-Bee, дообученная на базе Qwen/Qwen3-8B на корпусе Honey-Data-15M примерно из 15 миллионов примеров. Архитектура Bee — плотная модель класса BeeForConditionalGeneration; она принимает изображения и текст и отвечает в формате диалога. Для работы доступны режимы с рассуждениями и без них. Модель предназначена для диалоговых сценариев с изображениями и текстом, включая сложные рассуждения, математические задачи, анализ документов, диаграмм и других структурированных визуальных данных. Авторы сообщают о высоких результатах на MathVerse, LogicVista, DynaMath и CharXiv; поддерживаются Transformers и vLLM. Карточка указывает английский язык, а базовая Qwen3-8B описана как многоязычная. Размер контекста в предоставленных данных не указан. Модель распространяется по лицензии Apache-2.0. Заявления о качестве основаны на результатах бенчмарков авторов; конкретные ограничения и гарантии качества не описаны.

Qianfan-OCR-GGUF — набор GGUF-квантизированных версий мультимодальной модели baidu/Qianfan-OCR, разработанной Baidu. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии document intelligence и OCR. Она использует архитектуру InternVL Chat с языковой основой Qwen3 примерно на 4,7 млрд параметров и поддерживает мультиязычные задачи image-text-to-text. Квантизация выполнена Reza2kn с использованием llama.cpp. Доступны варианты от F16 размером около 9,4 ГБ до Q2_K размером около 1,7 ГБ. Версии различаются компромиссом между размером, скоростью и качеством: F16 сохраняет точность в формате half precision, Q8_0 близка к исходному качеству, а Q4_K_M указана как рекомендуемая и занимает около 2,8 ГБ. Для работы в llama.cpp требуются файл модели и соответствующий multimodal projector; модель принимает изображения документов и текстовые запросы. В README приведены результаты исходной модели на OmniDocBench и OCRBench, но подробные сведения о поддерживаемых языках, длине контекста и ограничениях распознавания не указаны. Распространение заявлено по лицензии Apache License 2.0 с сохранением уведомлений и условий сторонних компонентов.