IV.3Страхование и актуарные задачи

Mungert/Nanonets-OCR-s-GGUF — это GGUF-сборка мультимодальной модели Nanonets-OCR-s, разработанной Nanonets и опубликованной пользователем Mungert. Модель предназначена для распознавания документов по изображениям и преобразования их содержимого в структурированный Markdown, поэтому подходит для OCR, обработки PDF и последующего анализа документов большими языковыми моделями. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и работает в сценарии image-text-to-text. Она распознаёт обычный текст, сложные таблицы с выводом в Markdown и HTML, математические формулы с преобразованием в LaTeX, изображения с описанием, подписи, водяные знаки, номера страниц, чекбоксы и радиокнопки. Для специальных элементов используются структурированные теги, включая <img>, <signature>, <watermark> и <page_number>, а состояния флажков обозначаются символами ☐, ☑ и ☒. Преимущество модели — специализированная обработка сложных документов и сохранение семантической структуры, полезной для автоматизированных рабочих процессов. GGUF-версия создана с помощью llama.cpp; в описании заявлен вариант квантования с выборочным повышением точности важных слоёв, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Точный размер модели, поддерживаемые языки помимо указанного английского, размер контекста и лицензия в карточке этой GGUF-сборки не указаны. Для запуска предусмотрена совместимость с экосистемой llama.cpp и GGUF.

IsValorum/Thomson-1.0-Small-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели Thomson-1.0-Small, разработанной Thomson Reuters и преобразованной в формат GGUF пользователем IsValorum. Модель предназначена для запуска через совместимые инструменты, включая llama.cpp, и ориентирована на юридические, аудиторские и финансовые сценарии, а также на обработку документов, изображений, таблиц и OCR. Модель использует архитектуру mixture-of-experts (MoE) и поддерживает мультимодальный режим image-text-to-text с обработкой текста и изображений. В README указана поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus выполнено с учётом чувствительности отдельных тензоров: маршрутизаторы сохранены в F32, выходная голова — в Q6_K, attention gates — в Q8_0, а основные эксперты — не ниже калиброванного уровня 3 бит. Это должно обеспечивать более высокую точность по сравнению с плоскими 3-битными квантованиями, однако конкретные характеристики размера, объёма контекста и производительности именно этой версии в представленном фрагменте README не указаны. Сильными сторонами являются сочетание компактного квантованного формата, мультимодальности, многоязычности и оптимизации для задач, требующих анализа юридических и финансовых материалов. Ограничения связаны с потерями точности, неизбежными для квантованной версии, зависимостью скорости от оборудования и отсутствием в доступных данных полного набора характеристик и результатов тестирования именно этой модели. Лицензия — Apache-2.0.

Это неофициальная конверсия Chandra OCR 2 от Datalab в формат GGUF с точностью BF16 для запуска через llama.cpp. Веса модели и проектор зрения сохранены в BF16; неиспользуемая черновая MTP-голова удалена. Конверсия проверена на одной AMD Radeon RX 9070 XT с 16 ГБ памяти, но формат GGUF не привязан к RDNA 4, и работа на другом оборудовании не подтверждена этой карточкой. Модель принимает изображения и предназначена для распознавания текста и структуры документов, включая PDF, с выдачей результата в текстовых форматах вроде Markdown, HTML или JSON. В README перечислены проверки на изображениях, PDF, финансовых таблицах и рукописных документах. Это перенос формата, а не дообучение или улучшение качества OCR; лицензия указана как other, поэтому условия использования следует сверить с лицензией исходной модели и файлами репозитория.

DRAGON-QWEN-7B — модель серии dRAGon от llmware, дообученная для ответов на вопросы по сложным деловым и юридическим документам. Она основана на Qwen2-7B-Base и использует архитектуру Qwen2 с плотной causal language model на 7,1 млрд параметров; принимает текст и генерирует текст. Модель предназначена для RAG-сценариев: ответов по предоставленному контексту, извлечения пар ключ-значение и краткого суммирования. В карточке заявлены английский язык и контекст до 131 072 токенов. Разработчик сообщает о настройке на фактические ответы, снижении галлюцинаций и пригодности к автоматизации рабочих процессов; в одном тестовом прогоне квантованной версии GGUF указаны 99 правильных ответов из 100. Это результат отдельного теста разработчика, а не гарантия качества в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

dragon-deci-6b-v0 — модель серии dRAGon от llmware, дообученная для ответов на вопросы по контексту документов. Она предназначена для RAG-сценариев в корпоративных процессах, особенно при работе со сложными деловыми, юридическими и нормативными материалами. Основные задачи — ответы на вопросы, извлечение пар «ключ—значение» и краткое суммирование с опорой на предоставленный текст; модель рассчитана на короткие, ясные ответы и снижение галлюцинаций. Модель построена на Deci-6B, использует архитектуру DeciLMForCausalLM и содержит 6,6 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст до 4096 токенов. В описанном тестировании RAG-Instruct-Benchmark-Tester получила 94,25 балла из 100; результаты отдельных прогонов не гарантируют точность на других данных. Лицензия — Llama 2 Community License. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки.

dragon-red-pajama-7b-v0 — модель серии dRAGon, разработанная llmware и дообученная для ответов по контексту. Она предназначена для фактологического вопросно-ответного поиска по сложным деловым, юридическим и нормативным документам, извлечения пар «ключ—значение» и краткого суммирования. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 2048 токенов. README указывает английский язык и настройку на короткие, ясные ответы для автоматизации рабочих процессов; в приведённых тестовых запусках галлюцинаций не наблюдалось. Модель принимает текстовый контекст и инструкции и генерирует текстовые ответы. Она может выдавать неточные или неполные сведения, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

Карточка модели ldov/TeleOCR на Hugging Face совпадает с карточкой XingChen-AGI/TeleOCR, поэтому описание составлено по ней. TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.

HPD-Parsing — модель PaddlePaddle для разбора документов, дообученная на базе InternVL3.5-1B. Она принимает изображения страниц и формирует текстовое представление их структуры и содержимого, включая локализованный разбор областей страницы. Модель использует архитектуру InternVL с 1 млрд параметров и динамическое разбиение изображения на тайлы размером 448×448, до 24 тайлов. Иерархическое параллельное декодирование разделяет работу между ветвью общей структуры страницы и параллельными ветвями содержимого; P-MTP ускоряет генерацию нескольких токенов за шаг. В README заявлены результат 94,91% на OmniDocBench v1.6 и пиковая скорость 4 752 токена в секунду; эти показатели относятся к описанным авторами условиям оценки. Карточка указывает английский и китайский языки. Для инференса README описывает специализированную сборку vLLM, а также поддержку через Transformers для одного изображения и размера пакета 1. Модель распространяется по лицензии Apache-2.0.

MoziAI-35B-A3B-MOE — локальная мультимодальная модель, разработанная командой китайского финансового автора Чэнь Юймо. Она создана на базе Ornith-1.5-35B-A3B с архитектурой семейства Qwen3.5/Qwen3.6 и ориентирована на финансовые задачи, программирование, анализ данных, создание текстов, работу с инструментами и агентами. Модель распространяется в формате GGUF и поддерживает llama.cpp, Ollama, LM Studio и Jan. Модель использует MoE-архитектуру объёмом 35 млрд параметров: заявлены 56 маршрутизируемых экспертов и один общий эксперт, при этом на токен активируется 8 экспертов. Самостоятельная технология квантования MoziSmartBit уменьшает размер модели примерно до 15,5 ГБ, что упрощает запуск на потребительских видеокартах. Заявлена поддержка контекста до 128K токенов, визуального ввода, вызова инструментов, многоагентных сценариев и около 201 языка и диалекта; отдельно усилены китайский и финансовый языки. Сильные стороны модели — специализация на финансовых вопросах, рыночном и финансовом анализе, разработке количественных стратегий, работе с финансовыми источниками, а также возможности локального запуска, сохранения конфиденциальности данных и интеграции с IDE и агентскими платформами. К ограничениям относятся зависимость производительности от оборудования, необходимость CPU-выгрузки на некоторых видеокартах и возможная потеря качества из-за квантования. Модель позиционируется как uncensored и не содержит встроенных ограничений на тематику ответов, поэтому результаты требуют контроля пользователя. Для самой модели указана лицензия other; базовая модель заявлена под MIT.

Unlimited-OCR-Community-FP8-Dynamic — неофициальная общественная FP8-квантизованная версия модели baidu/Unlimited-OCR, разработанной Baidu. Квантизацию выполнила ShadowRock, автор — Matt Busi. Модель предназначена для OCR и структурированного разбора документов по изображениям, включая счета, служебные записки и табличные отчёты, с поддержкой координат областей текста. Это мультимодальная vision-language модель размером 3,34 млрд параметров с MoE-архитектурой в стиле DeepSeek-V2. Она использует визуальный тракт на базе SAM-ViT-B и CLIP-L DeepEncoder с проектором, а также текстовый декодер. Применена схема FP8_DYNAMIC W8A8: веса линейных слоёв текстового декодера квантизованы в FP8, активации масштабируются динамически; визуальный тракт, эмбеддинги, выходная голова, маршрутизаторы MoE и нормализации сохранены в BF16. Заявлена мультиязычность, однако конкретный перечень языков и размер контекста в README не указаны. Основные преимущества версии — уменьшение размера чекпойнта с 6,7 до 3,9 ГБ и поддержка нативного FP8-выполнения на GPU Ada, Hopper и Blackwell. На небольшом наборе синтетических документов результаты жадного OCR совпали с BF16-базой посимвольно: CER составил 0,0 для всех тестовых примеров. Измеренная скорость декодирования — около 39,4 токена в секунду на RTX 5070 Ti с vLLM 0.26.0, что ниже показателя BF16 45,3 токена в секунду. Полноценные гарантии качества на реальных данных, ограничения по разрешению, контексту и языкам README не описывает. Модель распространяется по лицензии MIT. Это community-сборка, не официальный релиз Baidu; изменена числовая точность весов текстового декодера, поэтому совместимость и качество следует проверять в целевой конфигурации. Для запуска указана интеграция с Transformers и vLLM, требуется разрешение удалённого кода.

visionOCR-3B-061125 — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2.5-VL-3B для распознавания текста и анализа документов по изображениям. Она извлекает текст и структурированные данные из счетов, чеков, форм, научных статей и сканов, отвечает на вопросы по изображениям и преобразует математические выражения в LaTeX. Модель содержит 3,1 млрд параметров, принимает изображения с текстовыми инструкциями и выдаёт текст; заявлена поддержка контекста до 128 000 токенов. В карточке также заявлены анализ видео, визуально управляемая автоматизация устройств и работа с несколькими языками. Модель ориентирована на OCR документов, извлечение данных и визуальные вопросы-ответы, включая плотные макеты, таблицы и диаграммы. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Лицензия — Apache-2.0. Качество может снижаться на изображениях низкого качества или с перекрытиями, а для редких языков и письменностей точность непостоянна. Длительная обработка видео требует значительных ресурсов; возможны галлюцинации и ошибки при неудачных настройках визуальных токенов.

Dolphin-v2-f32-GGUF — это мультимодальная vision-language модель для интеллектуального разбора документов. Базовая модель Dolphin-v2 разработана ByteDance, а данный репозиторий prithivMLmods содержит её варианты в формате GGUF с разными уровнями квантования. Модель основана на Qwen2.5-VL-3B, насчитывает около 3 млрд параметров и использует vision encoder Native Resolution Vision Transformer (NaViT) вместе с авторегрессионным декодером. Модель предназначена для OCR и структурированного понимания цифровых документов, PDF-файлов, отсканированных и сфотографированных страниц. Она распознаёт заголовки, абзацы, формулы с выводом в LaTeX, таблицы в HTML, код, списки, изображения и другие элементы, возвращая их с абсолютными координатами на странице. Двухэтапная архитектура сначала различает цифровые и фотографированные документы, а затем применяет параллельный поэлементный или целостный разбор. Поддерживаются английский и китайский языки; заявлены сценарии локального использования в медицине, юриспруденции и финансах. К сильным сторонам относятся высокая точность анализа структуры и порядка чтения, распознавания формул и таблиц, устойчивость к искажениям, наклонам и перспективе, а также возможность локального запуска. Для вариантов модели указаны размеры от примерно 791 МБ до 12,3 ГБ; производительность исходной модели заявлена на уровне 0,1729 кадра в секунду на GPU с 8–12 ГБ VRAM, при этом она может превосходить универсальные VLM по скорости и точности. Конкретные характеристики зависят от выбранного GGUF-варианта: более сильное квантование уменьшает требования к памяти, но может снижать качество. Размер контекста и подробные требования к программному обеспечению не указаны. Лицензия — Apache 2.0.

olmOCR-2-7B-1025 — мультимодальная модель AllenAI с 7,1 млрд параметров, дообученная на основе Qwen2.5-VL-7B-Instruct на наборе olmOCR-mix-1025. Дополнительное обучение с подкреплением GRPO направлено на повышение качества распознавания математических формул, таблиц и других сложных случаев OCR. Модель предназначена для извлечения текста и структуры из изображений документов. Она принимает изображение страницы документа; для штатного использования рекомендуется подавать изображение, у которого наибольшая сторона составляет 1288 пикселей. Инструментарий olmOCR автоматизирует подготовку страниц PDF, поворот и повторные попытки распознавания, а масштабный инференс поддерживается через vLLM. Архитектура основана на Qwen2.5-VL, контекст — до 128 000 токенов; в этой карточке опубликована версия BF16. Модель подходит для OCR документов, в том числе таблиц и математических выражений. В README рекомендуется версия FP8 для практического применения, кроме дальнейшего дообучения; результаты бенчмарка приведены для работы через olmOCR toolkit. Распространяется по лицензии Apache-2.0.

Карточка модели WillowVoiceAI/surya-ocr-2 на Hugging Face совпадает с карточкой datalab-to/surya-ocr-2, поэтому описание составлено по ней. Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Карточка модели punitkandoi/zembed-1-embedding на Hugging Face совпадает с карточкой zeroentropy/zembed-1-embedding, поэтому описание составлено по ней. zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.

zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.

Карточка модели TitanML/DeepSeek-OCR-2 на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-OCR-2, поэтому описание составлено по ней. DeepSeek-OCR 2 — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она использует архитектуру DeepSeek-VL2 с причинным языковым декодером и рассчитана на запуск через Transformers на GPU NVIDIA; README также упоминает ускоренный инференс и обработку PDF через vLLM. Модель поддерживает динамическое разрешение изображений: указан режим от 0 до 6 фрагментов 768×768 и одного изображения 1024×1024. Размер модели составляет 559,7 млн параметров, контекст — 8192 токена. В карточке заявлена поддержка многоязычного ввода. Модель подходит для извлечения текста с изображений и документов, включая сценарии OCR и работы с PDF. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для запуска README приводит зависимости для Transformers и CUDA; указанные версии окружения могут потребовать соответствующей GPU-конфигурации.

DREX-062225-exp — экспериментальная модель для анализа документов, разработанная prithivMLmods путём дообучения docscopeOCR-7B-050425-exp. Она построена на архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров; модель принимает изображения документов и текстовые запросы, а в ответ формирует текст. Заявленная длина контекста — 128 000 токенов. Модель предназначена для поиска сведений в документах, извлечения структурированных данных из таблиц и форм, распознавания текста и анализа структуры и связей между частями документа. Среди целевых сценариев — обработка деловых и исследовательских материалов, договоров и документов для регуляторной отчётности. Карточка также заявляет распознавание математических выражений с форматированием LaTeX и поддержку нескольких языков, но метаданные указывают английский как язык карточки и не перечисляют другие языки. Точность может снижаться на типах документов, отличающихся от обучающих данных, и на узкоспециализированных форматах. Обработка длинных документов требует достаточного объёма памяти, а качество зависит от настройки визуальных токенов и предварительной обработки изображений. Модель распространяется по лицензии Apache-2.0.

LightOnOCR-2-1B — компактная модель распознавания документов от LightOn: плотная vision-language архитектура на 1 млрд параметров, семейство Mistral3. Она преобразует PDF-страницы, сканы и изображения документов в чистый текст с сохранением естественного порядка чтения; также подходит для распознавания таблиц и форм. Модель обучена с RLVR и рассчитана на высокую точность OCR. В README заявлены результаты уровня state of the art на OlmOCR-Bench и высокая скорость обработки. LightOnOCR-2-1B поддерживает английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, шведский, датский, китайский и японский языки. Для запуска авторы рекомендуют Transformers версии 5 и рендеринг PDF в изображения с разрешением 200 DPI и максимальной стороной около 1540 пикселей. Модель распространяется по лицензии Apache-2.0.

Карточка модели dots-studio/dots.ocr.base на Hugging Face совпадает с карточкой dots-studio/dots.ocr, поэтому описание составлено по ней. 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.

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.

LightOnOCR-2-1B-bbox-soup — объединённая модель LightOnAI на 1 млрд параметров для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3, принимающая изображения страниц и выдающая текст; вариант bbox-soup объединяет улучшения OCR с обучением на локализацию текста и предназначен также для вывода ограничивающих рамок. Модель подходит для преобразования PDF-страниц, сканов и фотографий документов в текст с естественным порядком чтения, обработки таблиц и форм, а также локализации текста на изображении. В карточке заявлены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Для PDF рекомендуется предварительно рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. README сообщает о высокой скорости и результатах на OlmOCR-Bench, но численные сравнения в карточке приведены неполно, поэтому их следует сверять с публикацией. Для работы требуется версия Transformers из исходного кода, ещё не включённая в стабильный выпуск. Модель распространяется по лицензии Apache-2.0.

Patram-7B-Instruct — семейство зрительно-языковых моделей BharatGen с 7 млрд параметров, обученных с нуля для анализа документов по изображениям. Репозиторий содержит версии 1.0, 1.1 и 1.2; README описывает их как отдельные ревизии одной модели. Модель принимает изображение документа и текстовый запрос, а отвечает текстом в диалоговом формате. В зависимости от версии поддерживаются визуальные вопросы и ответы, извлечение текста и ключевых значений, многоходовый диалог, а в версии 1.2 также анализ таблиц, диаграмм и блок-схем, а также рассуждения для VQA. Модель предназначена для понимания текстовых и визуально насыщенных документов, включая индийские документы. В README приведены результаты оценки на наборах DocVQA, WTQ, VisualMRC, ChartQA, InfoVQA, FlowVQA и других; показатели зависят от набора и режима prompting. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. README не приводит сведений о поддерживаемых разрешениях изображений или длине контекста.

YAYI-UIE — плотная авторегрессионная языковая модель семейства YAYI UIE, разработанная командой YAYI и опубликованная wenge-research. Модель содержит 13,3 млрд параметров и дообучена инструктивно на миллионах искусственно созданных высококачественных примеров для унифицированного извлечения информации: распознавания именованных сущностей, извлечения отношений и извлечения событий. Модель предназначена для преобразования текста в структурированные результаты, например JSON с сущностями, отношениями или аргументами событий. В карточке описаны сценарии из общих и специализированных областей, включая финансы, биологию, медицину, бизнес, транспорт, промышленность и науку. README приводит примеры оценки на китайских и английских наборах данных; основной акцент модели — китайский язык. Указаны ограничения: извлечённые сведения могут содержать фактические ошибки, модель слабо распознаёт вредоносные инструкции, а качество на длинных текстах уровня абзаца требует улучшения. Лицензия в метаданных и карточке — Apache-2.0, однако README отдельно требует использовать модель и производные только в исследовательских целях и запрещает коммерческое и вредоносное применение.

shubh1608/donut_pdf_ocr — модель архитектуры VisionEncoderDecoder, предназначенная для преобразования изображений документов в текст. В карточке указано обучение с нуля на наборе данных imagefolder; при этом метаданные каталога связывают модель с дообучением bn22/Mistral-7B-Instruct-v0.1-sharded, поэтому её происхождение описывается как дообучение. Автор приводит значение loss 0,0443 на оценочном наборе, но не уточняет методику оценки. Модель подходит для извлечения текста из изображений страниц PDF и других документов. Для неё указан формат PyTorch и задача image-text-to-text. Сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют. Лицензия не указана.

EvoQwen2.5-VL-Retriever-3B-v1 — мультимодальная модель поиска по визуальным документам, разработанная ApsaraStackMaaS. Она основана на Qwen2.5-VL-3B-Instruct и дообучена методом Evo-Retriever; использует плотные многовекторные представления и позднее взаимодействие для сопоставления текстовых запросов с изображениями документов. Модель содержит 3,1 млрд параметров, принимает изображения и текстовые запросы, а на выходе формирует векторы для оценки релевантности. Указанная длина контекста — 128 000 токенов. Модель предназначена для поиска нужных страниц и сведений в визуально сложных документах, включая запросы на естественном языке к содержимому изображений. В README заявлено преимущество по точности над моделями сопоставимого размера и пригодность для сценариев с ограниченными ресурсами; приведены примеры текстового поиска по изображениям. Для загрузки и обработки в README перечислены Transformers, Torch, Pillow и colpali-engine. Лицензия — Apache-2.0. Данные карточки указывают английский язык; поддержка других языков не подтверждена. Оценочные таблицы в README опущены, поэтому количественные показатели качества проверить по предоставленным сведениям нельзя.

LightOnOCR-2-1B-bbox — компактная зрительно-языковая модель LightOn на 1 млрд параметров для извлечения текста и координат областей с изображений документов. Она обрабатывает страницы PDF, сканы и фотографии как изображения и выдаёт текст в естественном порядке вместе с точными ограничивающими рамками; для уточнения локализации модель дообучена с помощью RLVR и вознаграждения на основе IoU. Модель предназначена для OCR и разбора документов, включая формы, таблицы и страницы с изображениями. В карточке отмечены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Авторы сообщают о высокой скорости и результатах на OlmOCR-Bench, однако приведённые сравнения не содержат полного описания условий и методики; для работы с PDF страницы следует предварительно преобразовать в изображения, сохранив пропорции и ориентируясь на размер длинной стороны 1540 пикселей. Модель построена на архитектуре Mistral3 и распространяется в формате safetensors. Для запуска авторы указывают Transformers, установленный из исходного кода, а также Pillow и pypdfium2. Лицензия — Apache-2.0.

DRAGON-MISTRAL-0.3 — модель серии dRAGon, разработанная llmware и дообученная на базе Mistral 7B 0.3 для ответов по контексту в сценариях RAG. Она предназначена для вопросно-ответной работы со сложными деловыми, юридическими и нормативными документами, извлечения пар «ключ—значение» и краткого суммирования; целевой язык — английский. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Разработчик сообщает о настройке на фактологические ответы, сокращение галлюцинаций и краткие ответы для автоматизации рабочих процессов. В описанном тестовом запуске квантованной версии GGUF указаны 99,5 балла из 100 и отсутствие замеченных галлюцинаций, однако это результат одного запуска и не гарантирует такое же качество в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

Typhoon-OCR-7B — мультимодальная модель для разбора документов, разработанная командой Typhoon AI. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для извлечения и структурирования содержимого тайских и английских документов: отчётов, научных статей, книг, государственных форм, чеков, меню, билетов и инфографики. Модель принимает изображения документов и выдаёт текст с сохранением структуры: общий текст в Markdown, таблицы в HTML, а иллюстрации и диаграммы — в виде структурированных описаний. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Для качественной работы ей требуются предусмотренные авторами промпты; произвольные инструкции могут работать некорректно. Авторы отмечают возможные ошибки распознавания и галлюцинации, а также трудности с интерпретацией разнообразных иллюстраций в книгах. Модель не имеет защитных ограничений и не предназначена для задач визуальных вопросов и ответов. Лицензия — Apache-2.0; использование также связано с условиями OpenTyphoon и уведомлением о конфиденциальности.

Карточка модели FriendliAI/olmOCR-7B-0225-preview на Hugging Face совпадает с карточкой allenai/olmOCR-7B-0225-preview, поэтому описание составлено по ней. olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.