IV.7Цепочки поставок, склады, логистика и международная торговля

MoiraiAgent — модель Salesforce для выбора наиболее подходящего прогноза из набора прогнозов временных рядов. Она анализирует ряд и помогает выбрать прогноз, созданный одним из специализированных предикторов; авторы сообщают о повышении качества прогнозирования при таком экспертном отборе. Модель построена на архитектуре Qwen2, имеет 3,1 млрд параметров и контекст 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для задач прогнозирования временных рядов и экспертного выбора между кандидатными прогнозами. В карточке указан исследовательский статус выпуска и лицензия CC BY-NC 4.0. Авторы рекомендуют отдельно оценивать точность, безопасность и справедливость модели перед применением; пригодность для конкретных прикладных задач не гарантируется.

Kairos-23M — трансформерная модель временных рядов от mldi-lab, представленная в работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения в разных прикладных областях. В модели используются динамическая токенизация патчами, кодировщик с выбором размера представления и динамические позиционные кодировки DRoPE, адаптирующиеся к спектральным особенностям ряда. В README указано около 23 млн параметров; метаданные Hugging Face содержат значение 8,3 млн параметров и контекст 512 токенов. Модель работает с временными рядами и ориентирована на обобщение между доменами без дополнительного обучения. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README сообщает о обучении на корпусе PreSTS, содержащем более 300 млрд временных точек, и заявляет об эффективности модели при небольшом числе параметров; конкретные показатели качества не приведены.

Карточка модели DmitrySpartak/layoutlm-invoices на Hugging Face совпадает с карточкой impira/layoutlm-invoices, поэтому описание составлено по ней. Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

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.

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.

TabPFN v2-reg — трансформерная фундаментальная модель для регрессии на табличных данных, разработанная Prior Labs. Она использует обучение на основе априорных распределений данных, чтобы решать небольшие задачи регрессии без отдельного обучения под каждую задачу. Модель предназначена для предсказания числовых значений по строкам табличных данных. Для работы предусмотрена библиотека TabPFN на базе PyTorch; README указывает поддержку CPU и возможность использовать GPU. Модель не рассчитана на очень большие наборы данных и не предназначена для нетабличных входов. Лицензия Prior Labs License основана на Apache 2.0 с дополнительным требованием атрибуции.

Mitra-v2 Regressor — табличная фундаментальная модель регрессии от AutoGluon. Это второе поколение Mitra, обученное на синтетических наборах данных, созданных с помощью смеси случайных регрессоров, включая Hybrid SCM prior. Модель использует 12-слойный двумерный Transformer с 76,7 млн параметров и механизмом внимания по строкам и столбцам, рассчитанный на обучение в контексте. Для регрессии она предсказывает распределение по 1 000 целевым бинам, а точечный прогноз вычисляет как среднее этого распределения. Модель предназначена для прогнозирования числовых целевых значений по табличным данным. По сравнению с Mitra-v1 она обучена с контекстом в десять раз длиннее и поддерживает втрое больше признаков; также обновлены оптимизатор и выходная голова. README сообщает о высокой точности на бенчмарках TabArena и TALENT и о возможности получать прогнозные распределения для вероятностной оценки. Для использования требуется AutoGluon и пакет mitra-finetune. Лицензия — Apache-2.0.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%. Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

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

PP-OCRv6_medium_rec — модель распознавания текста из изображений от PaddlePaddle, входящая в семейство PP-OCRv6. Это крупнейшая модель распознавания в серии: 19 млн параметров, архитектура с backbone LCNetV4, блоком EncoderWithLightSVTR и декодером с головами CTC и NRTR. Модель предназначена для извлечения текста из изображений в составе OCR-системы, где распознавание строк может использоваться вместе с обнаружением текста и другими модулями обработки изображения. Модель поддерживает 50 языков и рассчитана на печатный и рукописный текст, включая промышленные сценарии, цифровые дисплеи, точечно-матричные символы и маркировку на шинах. В README указаны точность распознавания 83,2% и Hmean обнаружения 86,2% для PP-OCRv6_medium; показатель обнаружения относится к системе OCR в целом. Модель распространяется под лицензией Apache-2.0 и предназначена для использования через PaddleOCR.

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.

NuExtract3-GGUF — GGUF-версия мультимодальной модели NuExtract3, разработанной компанией NuMind на базе Qwen3.5-4B. Модель предназначена для понимания документов, структурированного извлечения информации, OCR и подготовки данных для RAG. Она обрабатывает текст, изображения или их сочетание вместе с JSON-шаблоном целевой схемы, поддерживает типизированные поля, естественно-языковые инструкции и примеры в контексте. Также модель может создавать шаблоны извлечения по описанию на обычном языке и преобразовывать документы в структурированный Markdown, включая HTML-таблицы и формулы LaTeX. Модель содержит около 4 миллиардов параметров и поддерживает режимы быстрого инференса без рассуждений и более глубокого reasoning. Она ориентирована на документы разных типов, включая сканы, чеки, формы, счета, договоры и таблицы. В репозитории представлены варианты GGUF-квантизации от BF16 до Q3 и Q5, что позволяет выбирать между качеством и требованиями к памяти; для обработки изображений используется отдельный multimodal projection-файл. Заявлена поддержка запуска через llama.cpp, а исходная модель также может использоваться с vLLM и Transformers. Среди сильных сторон — объединение анализа изображений и текста, структурированный вывод и высокая эффективность на внутреннем бенчмарке NuMind. Ограничения включают зависимость качества от выбранной квантизации и возможные сбои или зацикливание при чрезмерно сложном reasoning, особенно у компактных моделей. Распространяется по лицензии Apache 2.0.

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.

LayoutLMv3-large — мультимодальный предварительно обученный Transformer для анализа документов, разработанный Microsoft. Модель объединяет текстовые и визуальные представления документов и использует единые задачи маскирования текста и изображений. Размер модели — 454,1 млн параметров; доступны форматы PyTorch и TensorFlow, контекст — 514 токенов. Модель предназначена для дообучения под задачи Document AI: извлечения и понимания информации в формах и чеках, визуальных ответов на вопросы по документам, классификации изображений документов и анализа их структуры. Поддерживаемый язык карточки — английский. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных работ на тех же условиях.

Это дообученная модель tiennvcs на основе microsoft/layoutlmv2-base-uncased для ответов на вопросы по документам. Она принимает изображение документа, распознанный текст и его координаты, а затем находит ответ на вопрос в содержимом документа. Модель построена на архитектуре LayoutLMv2, содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для извлечения сведений из форм, счетов и других документов с заданными вопросами. В карточке приведено значение функции потерь 1,194 на оценочном наборе, но набор данных и подробности обучения не описаны. Использование распространяется по лицензии CC BY-SA 4.0.

LayoutLMv2-large-uncased — мультимодальная модель Microsoft для понимания документов, в которой совместно обрабатываются текст, его расположение на странице и изображение документа. Модель основана на архитектуре LayoutLMv2, содержит около 433,9 млн параметров и рассчитана на последовательности длиной до 512 токенов; репозиторий содержит веса PyTorch. Модель предназначена для последующей настройки и применения в задачах визуально обогащённого понимания документов: извлечения и классификации полей, анализа структуры форм и ответов на вопросы по документам. В карточке приведены результаты на FUNSD, CORD, SROIE, Kleister-NDA, RVL-CDIP и DocVQA. Основной язык карточки — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и условия распространения производных материалов. Размер контекста ограничен 512 токенами; для прикладных задач может потребоваться настройка на целевых типах документов.

LayoutLMv3-base — мультимодальный предобученный Transformer для анализа документов, разработанный Microsoft. Модель объединяет текст и изображение документа в общей архитектуре и использует маскирование текста и изображения при предобучении. Вариант base содержит 151,8 млн параметров и рассчитан на контекст до 514 токенов. Модель предназначена для дообучения под задачи понимания форм и чеков, визуальных вопросов и ответов по документам, классификации изображений документов и анализа их структуры. Она принимает текстовые данные с изображением документа и может выдавать текстовые ответы, категории или структурированную разметку в зависимости от выбранной задачи и дообучения. В карточке указана поддержка английского языка. Доступны веса PyTorch, TensorFlow и ONNX, в том числе в формате Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

EraX-VL-7B-V1.0 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group и дообученная на Qwen/Qwen2-VL-7B-Instruct. Она предназначена для распознавания текста на изображениях, визуальных вопросов и ответов, а также анализа документов и изображений; поддерживает диалог из нескольких ходов. Особенно хорошо модель ориентирована на вьетнамский язык, при этом заявлены также английский и китайский. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения с текстовыми запросами, выдавая текстовые ответы. Длина контекста — 32 768 токенов. Модель рассчитана на извлечение текста и сведений из медицинских форм, счетов, накладных, коммерческих предложений и медицинских записей, а также на описание изображений и ответы на вопросы по их содержимому. В отличие от специализированного OCR-инструмента, она является мультимодальной языковой моделью, поэтому результат зависит от формулировки запроса. Лицензия — Apache 2.0.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

Arlo Extract 1.0 — модель NoaberAI для извлечения конкретных значений из текста по вопросу. Она дообучена на многоязычной основе microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с головой extractive question answering: модель выбирает начальную и конечную позиции ответа в исходном тексте, а не генерирует его заново. Размер по метаданным — 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для извлечения дат, сумм, характеристик, мест и имён из документов и свободного текста. Она возвращает найденный фрагмент вместе с оценкой уверенности и может сообщить, что ответ отсутствует. Основной язык обучения — нидерландский; многоязычная основа позволяет применять её и к текстам на других языках, хотя README отмечает обучение именно на нидерландских данных. Лицензия — MIT.

LayoutLMv2 — мультимодальная модель Microsoft для понимания документов, содержащих текст, визуальную разметку и изображения. Это плотная архитектура семейства LayoutLMv2 с 136,7 млн параметров; модель предварительно обучена учитывать взаимосвязи между текстом, расположением элементов и изображением страницы. Для обработки использует текстовые фрагменты, координаты их расположения и изображение документа, а контекст ограничен 512 токенами. Модель предназначена для задач анализа визуально насыщенных документов: извлечения информации из форм и чеков, классификации документов и ответов на вопросы по их содержимому. В карточке сообщается о результатах на FUNSD, CORD, SROIE, Kleister-NDA, RVL-CDIP и DocVQA. Основной язык карточки — английский. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование.

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.

Occamy-35B — модель с открытыми весами, разработанная командой Occamy AI. Она дообучена на базе Qwen3.6-35B-A3B и предназначена для агентных сценариев: принятия решений на длинном горизонте, координации нескольких инструментов, многошаговых бизнес-процессов, Claw-style рабочих процессов, агентного программирования и задач электронной коммерции. Модель относится к семейству text-generation и ориентирована на английский язык. Заявлены поддержка tool use, coding и long-context; для развёртывания рекомендуется контекст до 262 144 токенов, а в тестах SWE-bench Pro использовался контекст 200K. В README не указаны точные сведения о внутренней архитектуре, числе активных параметров, количестве параметров всего и перечне поддерживаемых модальностей, поэтому модель следует рассматривать как текстовую. Ключевая особенность — методика Data RSI (Data Recursive Self-Improvement), при которой результаты выполнения динамически сформированных задач используются для последующей адаптации данных. По представленным оценкам, Occamy-35B особенно сильна в агентных задачах, многоходовом использовании инструментов и программировании, хотя в отдельных бенчмарках уступает более крупным моделям. Для промышленного использования рекомендуются SGLang или vLLM с OpenAI-совместимым API. Лицензия в README не указана.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

donut-base-sroie — дообученная модель davelotito для преобразования изображений документов в текст. Она построена на архитектуре VisionEncoderDecoderModel и предназначена для сценариев, где нужно извлечь текстовое содержимое из изображения. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете imagefolder, но сведения о составе данных, качестве и конкретных ограничениях отсутствуют. Метаданные также относят модель к задаче image-text-to-text и указывают поддержку изображений.

Qwen2.5-VL-32B-Instruct — мультимодальная инструктивно настроенная модель семейства Qwen, опубликованная в репозитории Unsloth и основанная на Qwen/Qwen2.5-VL-32B-Instruct. Это плотная модель на 32 млрд параметров с архитектурой Qwen2_5_VLForConditionalGeneration, предназначенная для диалога по изображениям и видео и генерации текстовых ответов. Контекст модели по метаданным составляет до 128 000 токенов; в README описаны обработка изображений с динамическим разрешением и видео с выборкой кадров по времени. Модель распознаёт объекты и текст на изображениях, анализирует диаграммы и макеты, локализует объекты с помощью координат, отвечает на вопросы о содержимом изображений и видео и формирует структурированные данные, например из счетов и форм. Также README отмечает улучшенные математические рассуждения и поддержку сценариев визуального агента с использованием инструментов. В README указано, что для длинных текстов свыше 32 768 токенов применяется YaRN; это следует учитывать при настройке обработки контекста, поскольку конфигурация README задаёт именно эту длину до экстраполяции. Для видео описана поддержка локальных файлов, а совместимость URL зависит от версии сторонней библиотеки. Модель распространяется по лицензии Apache-2.0.

GPT-5.5 — фронтирная модель OpenAI для сложных профессиональных задач. Она развивает GPT-5.4, уделяя особое внимание рассуждению, надёжности и эффективности использования токенов при решении трудных задач. В README также указано контекстное окно более 1 млн токенов. Модель предназначена для сложных рабочих сценариев. Имеющихся сведений недостаточно, чтобы подтвердить архитектуру, поддерживаемые модальности, языки, лицензию или конкретные ограничения, поэтому эти характеристики не описаны.