IV.3Страхование и актуарные задачи

LayoutLM Base Uncased — модель Microsoft Document AI для понимания изображений документов и извлечения из них информации. Она предварительно обучена на сочетании текста, пространственного расположения элементов и изображения документа, чтобы учитывать не только содержание, но и структуру страницы. Модель предназначена для задач обработки форм и чеков, а также других сценариев анализа документов. Архитектура LayoutLM содержит 12 слоёв, скрытый размер 768 и 12 голов внимания; размер по метаданным — 136,7 млн параметров. Модель принимает текстовые данные с координатами элементов и изображение документа; заявленная длина контекста составляет 512 токенов. В карточке указаны английский язык и форматы PyTorch, Safetensors и TensorFlow. Модель обучена на наборе IIT-CDIP Test Collection 1.0. Для применения требуется учитывать расположение текста на странице; карточка описывает предобученный метод, но не приводит подробностей по оценке качества на конкретной задаче или ограничениям эксплуатации. Лицензия — MIT.

TimeBraid-2.5B — мультимодальная модель, разработанная для совместной работы с числовыми временными рядами и естественным языком. Она объединяет языковую основу Qwen3-1.7B, временной ряд TimesFM 2.5 200M и обученные слои слияния; всего в модели около 2,5 млрд параметров. Репозиторий содержит обе основы, поэтому отдельный чекпойнт TimesFM для вывода не требуется. Модель описывает тенденции и закономерности в наблюдаемых рядах, отвечает на вопросы и сравнивает несколько рядов. Для прогнозирования она использует историю числовых значений и дополнительный текстовый контекст, например сведения о предстоящей акции. Вход передаётся через процессор Hugging Face как числовые массивы и сообщения; результатом может быть текст или числовой прогноз. Для запуска автор рекомендует Linux, Python 3.11, CUDA 12.8 и совместимый с FlashAttention-2 GPU NVIDIA. Модель распространяется по лицензии Apache-2.0.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

google/pix2struct-docvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов по документам. Она использует архитектуру «кодировщик изображений — декодер текста» и дообучена для задачи DocVQA: отвечает на вопросы, опираясь на содержимое изображения документа. Модель принимает изображение документа и текстовый вопрос, а выдаёт ответ текстом. Pix2Struct предварительно обучалась разбирать скриншоты веб-страниц в упрощённую HTML-структуру; для работы с визуально расположенным текстом модель использует представление изображений с переменным разрешением. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Модель подходит для извлечения сведений из документов по запросу, например для поиска значений в формах или ответов по содержимому страниц. Её возможности за пределами визуальных вопросов и ответов по документам не подтверждены карточкой. Модель распространяется по лицензии Apache-2.0.

this-that-model-1.2 — дообученная модель flock-io для выбора ответа из заданных вариантов по структурированному состоянию и текстовым правилам. Она предназначена для решений, где нужно последовательно применить несколько условий, исключить неподходящие варианты и ранжировать оставшиеся. Модель основана на плотной архитектуре Qwen3.5 с причинным языковым моделированием, содержит 1,7 млрд параметров и поддерживает контекст до 262 144 токенов. Карточка демонстрирует применение к данным в формате вложенных пар ключ–значение и приводит результаты на задачах выбора и калибровки вероятностей; для указанного публичного бенчмарка сообщается точность 0,878 и задержка 31,4 мс на ноутбуке с NVIDIA RTX 5080. Модель ориентирована на типизированные решения за один прямой проход без генерации токенов, что позволяет использовать её для отбора и сравнения кандидатов по правилам, в том числе сформулированным как исключения. В README указаны улучшения при составных решениях и устойчивость к разным формулировкам правил. Лицензия — MIT. Результаты приведены для конкретных бенчмарков и аппаратной конфигурации; карточка не описывает универсальную точность на произвольных данных и не содержит полного примера API использования.

solvi-ai/extract-base — англоязычная модель извлечения полей из документов, разработанная Solvi. По документу и обычному текстовому описанию нужного поля модель находит соответствующий фрагмент, оценивает уверенность или сообщает, что поле отсутствует. Она предназначена для извлечения дат, сумм, имён и договорных условий, а также для дообучения на размеченных документах конкретной организации. В основе — ModernBERT-large с линейной головой предсказания начала и конца фрагмента; модель содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Длинные документы обрабатываются перекрывающимися окнами по 1024 токена. Обучение проводилось на примерах SQuAD 2.0, CUAD и CORD v2; доступны веса Safetensors и экспорт ONNX. README приводит результаты на договорах, чеках и наборах вопросов и ответов, но отмечает заметные ограничения при извлечении невиданных полей без примеров. Модель лучше подходит как начальная точка для последующего дообучения: для производственного применения автор рекомендует разметить примерно 25–100 документов и настроить пороги на отложенных данных. Она поддерживает только английский язык; другие типы документов не проверялись, а оценки уверенности не являются калиброванными вероятностями. Лицензия — Apache-2.0.

FoMo-0D — модель для обнаружения выбросов в табличных данных без обучения на целевой задаче. В карточке указаны официальная реализация и статья «FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection»; модель опубликована с помощью интеграции PytorchModelHubMixin. Модель предназначена для поиска аномальных наблюдений в таблицах, в том числе в сценариях, где нет размеченных примеров для обучения. Доступные сведения не раскрывают размер модели, поддерживаемые языки, конкретные типы входных данных или подробности архитектуры. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

jinhybr/OCR-DocVQA-Donut — модель Donut базового размера, дообученная на наборе DocVQA для ответов на вопросы по изображениям документов. Она принимает изображение документа и генерирует текстовый ответ, используя архитектуру vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно формирует ответ. Модель предназначена для визуального анализа документов и сценариев вопросно-ответного поиска по их содержимому без отдельного этапа OCR. Выпущена под лицензией MIT. Модель специализирована на DocVQA; её точность на других типах документов и задачах не подтверждена в карточке. Указанная конфигурация — базовый размер; число параметров и длина контекста в предоставленных данных не приведены.

Карточка модели manny-the-one/GLM-OCR на Hugging Face совпадает с карточкой zai-org/GLM-OCR, поэтому описание составлено по ней. GLM-OCR — мультимодальная модель оптического распознавания символов и понимания документов от zai-org. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, межмодальный коннектор с уменьшением числа токенов и языковой декодер GLM-0.5B. Общее число параметров — 0,9 млрд; модель распространяется в формате safetensors и работает через Transformers. Модель предназначена для распознавания текста и формул, извлечения таблиц, разбора документов и получения структурированных сведений по заданной JSON-схеме. Для полного разбора документов авторы рекомендуют SDK, объединяющий модель с анализом макета PP-DocLayout-V3; модель также можно запускать отдельно для извлечения информации. Заявлена поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. В README приведены результаты тестов на наборах для понимания документов и скорости обработки, но они не гарантируют аналогичных показателей на иных данных и оборудовании. Модель распространяется по лицензии MIT. Для извлечения информации требуется строго задавать JSON-схему; готовый SDK для разбора документов не предназначен для этого сценария.

H2OVL-Mississippi-800M — компактная мультимодальная модель зрения и языка от H2O.ai с 0,8 млрд параметров. Она построена на архитектуре языковых моделей H2O-Danube и предназначена для диалога и извлечения текстовой информации из изображений. Модель обучена на 19 млн пар «изображение—текст» с упором на распознавание текста, понимание документов, а также интерпретацию диаграмм, рисунков и таблиц. Она ориентирована на OCR и обработку документов; карточка сообщает о сильных результатах в распознавании текста, включая Text Recognition в OCRBench. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы, например извлечённые сведения или структурированное представление содержимого изображения. В репозитории указана лицензия Apache-2.0. Как и другие генеративные модели, она может выдавать ошибочные или нерелевантные ответы; результаты распознавания следует проверять.

NuExtract3-W8A8 — квантованная версия NuExtract3, разработанная NuMind. Это мультимодальная vision-language модель объёмом 4B параметров для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их комбинацию. Для структурированного извлечения она использует JSON-шаблон и инструкции, возвращая данные в формате JSON; также поддерживает генерацию шаблонов по естественному языку или содержимому документа. Модель предназначена для OCR и обработки сканов, чеков, форм, счетов, договоров и таблиц, а также для подготовки данных к RAG-системам. Заявлена поддержка многоязычных документов, режимов вывода с рассуждением и без него. К сильным сторонам относятся единый подход к текстовым и визуальным данным, извлечение структурированных полей, обработка сложных документов и преобразование документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Ограничения включают возможные ошибки распознавания, извлечения и форматирования, особенно на сложных документах и при больших объёмах входных или выходных данных; конкретные поддерживаемые языки и размер контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

PaddleOCR-VL-1.5 — компактная мультимодальная модель PaddlePaddle для разбора документов по изображениям. Она сочетает зрительную обработку и генерацию текста; в метаданных указано 318,2 млн параметров, а контекст составляет 131 072 токена. Модель поддерживает распознавание текста и его расположение на изображении, в том числе в таблицах, формулах, диаграммах и печатях. Модель предназначена для извлечения структурированного содержимого из документов, включая многостраничные материалы и изображения с перекосом, деформацией, бликами и неравномерным освещением. README сообщает о результатах 94,5% на OmniDocBench v1.5 и расширенной поддержке редких символов, древних текстов, тибетского письма и бенгальского языка. По карточке доступны английский, китайский и многоязычный режимы; лицензия — Apache 2.0. Заявленные возможности включают слияние таблиц и распознавание заголовков между страницами, а также локализацию строк текста и распознавание печатей. Результаты бенчмарков приведены разработчиками и сами по себе не гарантируют качество на конкретных документах. Для запуска README описывает PaddleOCR и Transformers; пример Transformers использует bfloat16 и FlashAttention 2.

docscopeOCR-7B-050425-exp — модель prithivMLmods, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Это плотная мультимодальная модель семейства Qwen2.5-VL с 7,1 млрд параметров, принимающая изображения и текст и выдающая текст; заявленная длина контекста — 128 000 токенов. Модель предназначена для OCR многостраничных документов, извлечения структурированных данных из счетов, форм и отчетов, визуальных вопросов и ответов, а также распознавания математических выражений с форматированием LaTeX. В README также заявлены понимание длинных видео и визуально управляемое взаимодействие с устройствами. Поддержка видео и управления устройствами описана в карточке, однако отдельные соответствующие задачи в метаданных не подтверждены. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Модель может ошибаться на низкокачественных или частично закрытых изображениях, а также на редких языках и письменностях; обработка видео требует значительных ресурсов и не рассчитана на потоковый режим. Выпускается под лицензией Apache-2.0.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

LightOnOCR-2-1B-bbox-base — созданный LightOn для дообучения базовый чекпойнт модели LightOnOCR-2. Это плотная vision-language модель семейства Mistral3 с 1 млрд параметров: она принимает изображения страниц документов и генерирует распознанный текст вместе с координатами ограничивающих рамок. Модель предназначена для OCR и извлечения текста из PDF, сканов и изображений с сохранением естественного порядка чтения. Чекпойнт до этапа RLVR рассчитан на адаптацию под конкретные документы и сценарии, где нужна локализация текста; поддерживает дообучение LoRA и обучение с наградой на основе IoU. Семейство LightOnOCR-2 ориентировано на эффективное распознавание документов, включая таблицы, формы, LaTeX и французские материалы. В карточке перечислена поддержка английского, французского, немецкого, испанского, итальянского, нидерландского, португальского, шведского, датского, китайского и японского языков. Для PDF рекомендуется рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. Для работы требуется версия Transformers, установленная из исходного кода. Лицензия — Apache-2.0.

PaddleOCR-VL-1.6 GGUF — мультимодальная модель для преобразования изображений и текста в текст, предназначенная прежде всего для интеллектуального распознавания и разбора документов. Модель разработана командой PaddlePaddle как развитие PaddleOCR-VL-1.5 и ориентирована на OCR, извлечение структуры документа, анализ макета, таблиц, формул, графиков, печатей и обнаружение отдельных элементов на изображении. В репозитории представлена GGUF-версия модели, сгенерированная с использованием llama.cpp. В README не указаны точный размер модели, архитектура, длина контекста и конкретные параметры квантования. Заявлена поддержка английского, китайского и других многоязычных сценариев. Модель может быть полезна для автоматической обработки сканированных документов, счетов, отчетов и других визуально сложных материалов, где требуется не только распознать текст, но и сохранить сведения о структуре и расположении элементов. К сильным сторонам относятся мультимодальный анализ документов и широкий набор поддерживаемых типов содержимого. Ограничения и результаты сравнительных тестов в карточке не приведены, поэтому качество на конкретных языках, форматах документов и аппаратных конфигурациях следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

UDOP-large-512 — модель семейства UDOP для обработки документов, представленная в работе Zineng Tang, Ziyi Yang и соавторов. Она использует архитектуру encoder-decoder Transformer на основе T5 и объединяет визуальную информацию, текст и структуру расположения элементов документа. Модель содержит 386,3 млн параметров и предназначена для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Модель принимает изображение документа и текстовый запрос или инструкцию и генерирует текстовый ответ либо результат разбора. Карточка описывает задачи обработки документов, но не сообщает поддерживаемые языки или длину контекста. Веса опубликованы в формате safetensors; лицензия — MIT.

LFM2-1.2B-Extract-GGUF — модель Liquid AI для извлечения важной информации из неструктурированных документов и преобразования её в структурированный вид. Она предназначена для обработки статей, расшифровок, отчётов, электронных писем, нормативных документов и обращений в службу поддержки с формированием результатов в форматах JSON, XML или YAML. Модель основана на LFM2-1.2B и имеет размер около 1,2 млрд параметров. Распространяется в формате GGUF и относится к задачам генерации текста; в README приведён пример запуска с llama.cpp. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Возможные сценарии включают извлечение реквизитов счетов, подготовку данных для систем комплаенса и аналитики, а также пополнение графов знаний сущностями и атрибутами. К сильным сторонам относятся специализация на структурированном извлечении и возможность локального использования через совместимые инструменты. README не содержит сведений о точной архитектуре, размере контекста, результатах сравнительных тестов, требованиях к оборудованию или ограничениях качества, поэтому эти характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии lfm1.0; условия лицензии указаны в файле LICENSE.

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.

DRAGON-YI-1.5V-9B — языковая модель llmware для ответов на вопросы по документам в сценариях RAG. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров; она дообучена на базе Yi-9B и принимает текстовый контекст вместе с вопросом. Модель рассчитана на английский язык и имеет контекстное окно 4096 токенов. Модель предназначена для поиска фактических ответов в сложных деловых, юридических и нормативных документах, извлечения пар «ключ — значение» и краткого суммирования. Разработчик сообщает о тестировании на RAG-Instruct-Benchmark-Tester и хороших результатах на этой оценке, однако результаты бенчмарка не гарантируют качество на других данных. Модель выдаёт текст и может ошибаться или давать неполные ответы, поэтому ответы следует проверять. Лицензия — Apache 2.0. В README результаты тестирования указаны для квантизованной версии 4_K_M, тогда как репозиторий содержит веса PyTorch.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

LFM2.5-VL-1.6B-Extract — компактная модель Liquid AI для извлечения заданных пользователем полей из изображений. Пользователь перечисляет нужные поля и их описания в системном запросе в формате YAML, а модель возвращает объект JSON; для полей можно задавать допустимые варианты ответа. Модель предназначена для структурированного анализа изображений в производственных сценариях, например для выявления событий безопасности и автоматической разметки товаров. Архитектура — плотная LFM2-VL для генерации текста по изображению; в README указаны визуальный энкодер SigLIP2 примерно на 400 млн параметров и гибридный свёрточно-внимательный бэкбон. Метаданные связывают модель с дообучением LiquidAI/LFM2.5-VL-1.6B. Модель принимает изображение и текстовую схему, выдаёт текст в виде JSON; указанный язык карточки — английский. README сообщает о высокой точности на внутреннем тесте формата «одно изображение, схема полей, плоский JSON», однако эти результаты не следует переносить на задачи рассуждения по нескольким изображениям или свободные ответы на вопросы. Для запуска требуется Transformers версии 5.1 или новее. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в карточке репозитория.

Falcon OCR — модель TII для распознавания текста и разбора документов по изображению. Это компактная модель на 270 млн параметров с ранним слиянием визуальных и текстовых токенов: единый Transformer обрабатывает патчи изображения и текст в общем пространстве параметров, используя двунаправленное внимание для изображения и причинное декодирование текста с учётом изображения. Модель извлекает обычный текст, формулы в LaTeX и таблицы в HTML; промпты позволяют выбирать категории элементов страницы. Она рассчитана на сканы, фотографии документов, чеки, рукописные заметки, формы, журналы и другие материалы. Для большинства страниц рекомендуется сквозной OCR; для очень плотных многоколоночных страниц доступен двухэтапный сценарий с детектором макета PP-DocLayoutV3. Версия 1.5 дообучена с GRPO для улучшения работы с реальными документами, сложными таблицами, рукописным текстом и деградированными сканами, а также для снижения галлюцинаций и повторов. Компактный размер помогает снизить задержку и стоимость обслуживания; в описанной авторами конфигурации vLLM пропускная способность может быть в 2–3 раза выше, чем у OCR VLM размером около 0,9 млрд параметров, в зависимости от длины последовательностей и пакетирования. Для запуска требуются PyTorch 2.5 или новее и Transformers. Лицензия — Apache-2.0.

Chandra-OCR-2-GGUF — набор квантованных файлов модели Chandra-OCR-2, разработанной Datalab и опубликованной пользователем prithivMLmods. Это мультимодальная модель для распознавания изображений и PDF-документов с преобразованием содержимого в структурированный Markdown, HTML или JSON при сохранении информации о расположении элементов. Она предназначена для обработки финансовой и научной документации, исторических сканов, многоязычных форм и других сложных документов в автоматизированных AI-конвейерах. Модель поддерживает более 90 языков и рассчитана на работу с текстом, таблицами, математическими формулами, рукописным текстом, элементами форм, включая флажки, широкими макетами документов, изображениями и диаграммами. Заявлены улучшения по сравнению с Chandra 1 в разборе формул, реконструкции сложных таблиц с объединёнными ячейками, распознавании рукописного текста, извлечении диаграмм и создании описаний изображений. В README указаны результаты 85,9% на бенчмарке olmocr и 77,8% по многоязычной оценке, однако архитектура, число параметров и размер контекста не приведены. Репозиторий содержит варианты GGUF от BF16 и F16 до квантований Q2_K–Q8_0 размером примерно от 2,12 до 9,7 ГБ, а также отдельные мультимодальные проекторы. Это позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством, но README не содержит подробных сравнений качества квантованных вариантов или требований к оборудованию. Модель доступна для локального запуска через HuggingFace Transformers и vLLM, а также через размещённые сервисы и playground. Лицензия обозначена как other, без уточнения условий и ограничений использования.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

llmware/dragon-mistral-7b-v0 — языковая модель из серии dRAGon, разработанная компанией llmware. Она дообучена на базе Mistral-7B-Base с ориентацией на фактологичные ответы по сложным деловым, юридическим и нормативным документам, снижение галлюцинаций и выдачу коротких, понятных ответов для автоматизации рабочих процессов. Модель предназначена для сценариев Retrieval-Augmented Generation (RAG), включая ответы на вопросы по предоставленному контексту, извлечение пар «ключ–значение» и базовое суммирование. Указанный язык — английский. Архитектура — Mistral-7B; размер контекста и другие параметры не приведены. По результатам двух прогонов RAG-Instruct-Benchmark-Tester модель получила средний показатель правильных ответов 96,5 из 100, 92,5% по классификации отсутствия ответа, 97,5% в задачах с ответами «да/нет» и 81,25% в задачах на математику и логику. В тестах галлюцинаций не наблюдалось. Сильные стороны модели — работа с закрытым контекстом, извлечение фактов, ответы на вопросы по таблицам и сложным документам, а также пригодность для корпоративных процессов в финансовой, юридической и регулируемой сферах. Ограничения включают возможную неточность или неполноту ответов, поэтому необходимы проверка фактов и защитные механизмы. Для использования указана лицензия Apache 2.0; модель доступна через Transformers и требует специального формата промпта с контекстом документа и вопросом.

Nanonets-OCR-s — компактная мультимодальная модель Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на Qwen2.5-VL-3B-Instruct и принимает изображения документов, включая сложные страницы с таблицами, формулами и встроенными изображениями. Модель распознаёт текст и структуру документа, представляет математические формулы в LaTeX, описывает изображения, извлекает текст водяных знаков и выделяет подписи. Таблицы она может выводить в формате Markdown или HTML, а состояния флажков и переключателей — обозначать стандартными символами. Такой вывод подходит для дальнейшей обработки языковыми моделями и для извлечения данных из деловых и юридических документов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и имеет контекст длиной до 128 000 токенов. В метаданных указан английский язык. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

GravityOCR — дообученная модель trillionlabs на базе zai-org/GLM-OCR для распознавания текста и разбора документов по изображениям. Она использует архитектуру GlmOcrForConditionalGeneration с визуальным энкодером CogViT и текстовым декодером 0,5 млрд параметров; веса сохранены в формате bf16. Модель принимает изображение с запросом на распознавание текста, таблицы или формулы и выдаёт текст, HTML таблицы либо LaTeX формулы. Модель предназначена для OCR документов с обработкой отдельных областей страницы; для целых страниц README указывает на предварительное обнаружение макета. В режиме авторегрессивного декодирования она совместима с обычным конвейером GLM-OCR. Основное отличие — самоспекулятивное декодирование: модель черновым блоком предсказывает несколько токенов и проверяет их собственным авторегрессивным путём. На OmniDocBench v1.6 автор сообщает ускорение страниц в секунду в 1,32 раза относительно авторегрессивного режима при том же итоговом балле. Дообучение было преимущественно на английском; для китайского заявлен уровень базовой GLM-OCR. Лицензия — MIT. Самоспекулятивный режим требует кода репозитория и специальной настройки сервинга; результаты по скорости приведены для одного H100 и конкретного бенчмарка.

OriOn-Qwen Synthetic Reasoning 1 — мультимодальная модель LightOn на базе Qwen3-VL-32B-Instruct, дообученная и объединённая с базовыми весами для ответов на вопросы по длинным визуальным документам. Она принимает текстовые вопросы и изображения страниц, извлекает релевантные свидетельства и объединяет сведения с нескольких страниц; подходит для анализа длинных PDF-файлов и презентаций, включая документы объёмом более 250 страниц. Модель построена на архитектуре Qwen3VLForConditionalGeneration, содержит 32 млрд параметров и поддерживает контекст длиной 262 144 токена. Для управления режимом рассуждения в системный запрос можно добавить специальный токен управления. По данным карточки, модель достигает 58,3 на MMLongBenchDoc и выдаёт в среднем около 250 токенов, сохраняя преимущество на длинных документах без явной генерации цепочки рассуждений. Карточка также сообщает о применении в юридических, научных и финансовых сценариях. Лицензия — Apache-2.0.

Модель see-k/unsloth_finetune — дообученная see-k версия DeepSeek-OCR, обученная с использованием Unsloth и библиотеки TRL от Hugging Face. Это мультимодальная модель семейства DeepseekOCR с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Она предназначена для работы с изображениями и текстом в сценариях распознавания текста и извлечения содержимого из изображений документов; также поддерживает диалоговый режим. Указанная длина контекста — 8192 токена. Репозиторий содержит веса в форматах safetensors и GGUF F16. Лицензия — Apache-2.0.