IV.8Государственное управление, правосудие и чрезвычайные ситуации

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.

Nanonets-OCR2-1.5B-exp — экспериментальная модель Nanonets для преобразования изображений документов в структурированный Markdown. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL; модель содержит около 982,1 млн параметров, принимает изображения и текстовые запросы и генерирует текст. Контекст — до 32 768 токенов. Модель распознаёт печатный и рукописный текст на разных языках, извлекает сложные таблицы, формулы с разметкой LaTeX, водяные знаки и подписи, описывает изображения в документах и передаёт схемы в Mermaid. Также она отвечает на вопросы по содержимому документа, а если ответа там нет, должна сообщить, что сведения не упоминаются. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц результат зависит от настроек генерации и качества исходного документа. Лицензия — Apache-2.0.

NbAiLab/Nb-wav2vec2-1b-bokmaal — модель автоматического распознавания речи, разработанная командой NbAiLab для норвежского языка букмол. Она дообучена на базе XLS-R от Facebook/Meta и использует архитектуру Wav2Vec2 с CTC-декодированием; размер модели — 1,3 млрд параметров. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC). Модель предназначена для преобразования норвежской речи в текст. На тестовом наборе указана оценка WER 6,33% и CER 2,48% с 5-граммовой языковой моделью KenLM; без неё — WER 7,38% и CER 2,63%. Для применения с другими типами речи качество может отличаться. Модель распространяется по лицензии Apache 2.0.

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.

Карточка модели usama1111/e5-pak-legal-constitutional на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

ItalianNERXXL — модель разметки именованных сущностей на основе BERT, опубликованная Michele Montebovi. Она предназначена для извлечения из итальянского текста 52 типов сущностей, включая имена и адреса, контакты, банковские и налоговые реквизиты, юридические сведения, медицинские данные и сведения о лекарствах. Модель подходит для автоматической разметки документов и поиска чувствительной информации в итальянских текстах. Модель содержит 137,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README заявлена точность 79%; это начальный выпуск, а заявленные планы регулярных улучшений не гарантируют качество на новых данных. Распознавание чувствительных реквизитов и медицинских или юридических сущностей следует проверять на целевом наборе текстов. Лицензия — Apache-2.0.

YOLOS Tiny для обнаружения рукописных подписей на изображениях документов. Модель разработал Mario DEFRANCE: он дообучил YOLOS Tiny от hustvl, основанную на Vision Transformer и обученную с функцией потерь DETR. Модель содержит 7,1 млн параметров и предназначена для поиска и локализации подписей в сканах договоров, форм и других документов. Она принимает изображения и выдаёт обнаруженные области с координатами и оценками. Модель компактна и в тестах автора показала более быстрое время инференса по сравнению с версиями YOLOS Small и Base; результаты замеров зависят от оборудования. Обучение проводилось на наборе из 2 819 изображений, объединённом из Tobacco800 и signatures-xc8up. Качество может снижаться на изображениях низкого качества, с шумом или необычными стилями подписей; возможны ложные срабатывания и пропуски. Модель рассчитана на обнаружение подписей, а не других объектов, и для важных юридических или финансовых решений требует проверки человеком. Лицензия — Apache 2.0.

Mursit-Embed-Qwen3-4B-TR-i1-GGUF — квантованная GGUF-версия модели Mursit-Embed-Qwen3-4B-TR, разработанной newmindai и подготовленной в виде квантов mradermacher. Модель основана на Qwen3 с примерно 4 миллиардами параметров и преобразует архитектуру decoder-to-encoder для создания текстовых эмбеддингов. Модель предназначена для семантического сходства, извлечения признаков, dense retrieval и информационного поиска, включая поиск по юридическим документам и турецким правовым материалам. В обучении использовались датасеты ms-marco-turkish-triplets и EuroHPC-Legal. Заявлена поддержка турецкого и английского языков, поэтому модель особенно ориентирована на двуязычные и турецко-правовые сценарии. Преимущество этой версии — доступность в широком наборе GGUF-квантовок разных размеров, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти, включая варианты IQ4_XS, Q4_K_S и рекомендуемый Q4_K_M. Более агрессивные квантовки могут заметно снижать качество, а сведения о максимальной длине контекста, размерности эмбеддингов, точных метриках и полном примере интеграции в README не приведены. Модель распространяется по лицензии Apache-2.0.

PLLuM-4B-base-2512 — базовая языковая модель для генерации текста, разработанная альянсом HIVE AI на основе Gemma 3 4B. Модель продолжает предобучение на польских и английских корпусах; в семействе PLLuM также есть версии с дообучением для инструкций и диалога, но этот вариант обозначен как base. Модель предназначена для генерации связного текста, суммаризации, извлечения сведений и ответов на вопросы. Её можно использовать как основу для специализированных приложений и ассистентов, в том числе для польской публичной администрации и тематики права и бюрократии; для ответов по документам README рекомендует подключать поиск через RAG. Архитектура — плотная Gemma 3, около 4 млрд параметров; модель принимает и выдаёт текст, в первую очередь на польском, с дополнительными данными на английском. Модель распространяется по лицензии Apache-2.0. Поскольку это базовая, а не instruct- или chat-версия, готовность к диалогу и следованию инструкциям может быть ограниченной; README приводит заявленные результаты семейства PLLuM, но не отдельные оценки этого чекпойнта.

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

Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 — модель распознавания финской речи, опубликованная организацией Finnish-NLP. Это дообученная для автоматического распознавания речи версия facebook/wav2vec2-xls-r-1b: акустическая модель Wav2Vec2ForCTC с 1,3 млрд параметров, к которой в репозитории добавлена финская языковая модель KenLM для декодирования. Для дообучения использовано 275,6 часа размеченной финской речи; среди источников данных — Common Voice 7.0, VoxPopuli и записи заседаний парламента Финляндии. Модель преобразует аудио в текст и предназначена для расшифровки финской речи. Обучающие аудиофрагменты длиной не более 20 секунд, поэтому наиболее уверенно она работает с короткими записями сопоставимой длительности; длинное аудио можно обрабатывать частями. Корпус преимущественно парламентский, поэтому распознавание повседневной речи, диалектов, а также речи женщин и детей может быть менее надёжным. Языковая модель KenLM также ориентирована на формальный финский. Лицензия — Apache-2.0.

Карточка модели soulfree89/e5-small-ko-v2-fix на Hugging Face совпадает с карточкой dragonkue/multilingual-e5-small-ko-v2, поэтому описание составлено по ней. dragonkue/multilingual-e5-small-ko-v2 — модель Sentence Transformer на архитектуре BERT, дообученная на основе intfloat/multilingual-e5-small и объединённая методом Model Soup с dragonkue/multilingual-e5-small. Она предназначена прежде всего для поиска документов по запросу на корейском языке и других задач семантического поиска. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, после чего длинный текст обрезается. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана поддержка корейского и английского языков; обучение и оценка ориентированы на корейские retrieval-задачи, включая поиск в документах из медицинской, финансовой, правовой и других областей. Компактный размер упрощает использование в лёгких приложениях; для повышения качества поиска автор рекомендует сочетать её с реранкером. Указанная лицензия — Apache-2.0.

Edda v0.1 — датская модель распознавания речи, разработанная Danish Foundation Models. Это полное дообучение Whisper Large v3 Turbo с 809 млн параметров и исходной архитектурой Whisper: энкодером и декодером с фиксированными аудиоокнами длиной 30 секунд. Модель обучена на 2 600 часах датской речи из шести открытых корпусов; для длинных записей поддерживается обработка окнами по 30 секунд. Модель предназначена для преобразования датской речи в текст, включая парламентские выступления, чтение вслух и разговорную речь. В описанном авторами тестировании она показала средний WER 9,20 на пяти наборах датского ASR-бенчмарка. README приводит отдельные результаты для CoRal-v3 и Common Voice; заявленная скорость измерена на AMD MI250X GCD. Выходная транскрипция следует стилю разметки обучающих корпусов: например, на парламентских записях модель может пропускать повторы и перезапуски фраз. На очень длинных записях, тишине или музыке возможны повторения фрагментов; для таких случаев авторы рекомендуют делить аудио на части по паузам. Работа с детской речью, сильными ненативными акцентами, телефонным аудио и пением не проверялась. Лицензия — Apache-2.0.

GLiNER Multi PII Domains — модель распознавания именованных сущностей, разработанная E3-JSI путём дообучения urchade/gliner_multi_pii-v1 на синтетическом наборе E3-JSI/synthetic-multi-pii-ner-v1. Она использует двунаправленный трансформерный энкодер семейства BERT и предназначена для извлечения персональных данных и других чувствительных сущностей из текста: имён людей и организаций, контактных данных, идентификаторов документов, финансовых и медицинских сведений и других типов PII. Модель подходит для выявления чувствительных данных в медицинских текстах и других текстовых материалах, например перед их обезличиванием или проверкой. GLiNER позволяет задавать типы сущностей и служит компактной альтернативой крупным языковым моделям для сценариев с ограниченными ресурсами. Для работы требуется библиотека GLiNER. Модель распространяется по лицензии Apache-2.0. В карточке приведены примеры на английском и нидерландском языках; метаданные указывают поддержку английского, французского, немецкого, испанского, португальского, итальянского, словенского, греческого и нидерландского. Качество распознавания зависит от языка, формата текста и типов сущностей; модель может пропускать данные или ошибочно выделять фрагменты, поэтому результаты чувствительных проверок следует контролировать.

YOLOS-base-signature-detection — модель обнаружения объектов, дообученная Марио Дефрансом на базе hustvl/yolos-base для поиска рукописных подписей на изображениях документов. Она использует архитектуру YOLOS на основе Vision Transformer и выдаёт области изображения с обнаруженными подписями. Модель рассчитана на обработку сканов договоров, форм и других документов; её можно использовать в конвейерах проверки документов с последующей проверкой результатов человеком. Обучение проводилось на наборе изображений подписей, собранном из Tobacco800 и signatures-xc8up и подготовленном в формате COCO; в метаданных также указан набор tech4humans/signature-detection. Репозиторий содержит около 113,2 млн параметров, веса представлены в формате safetensors, для работы заявлена поддержка PyTorch через Transformers. Модель лицензирована по Apache 2.0. Она предназначена только для обнаружения подписей, не для поиска других объектов или проверки подлинности подписи. Возможны ложные срабатывания и пропуски; качество может снижаться на шумных, низкокачественных изображениях и при разнообразии стилей, недостаточно представленном в обучающих данных. Для юридически или финансово значимых процессов результаты следует проверять вручную.

ettin-32m-nemotron-pii — компактная модель распознавания персональных данных, разработанная на основе энкодера Ettin и дообученная на наборе NVIDIA Nemotron-PII. Это ModernBERT с 31,9 млн параметров, предназначенный для маркировки фрагментов текста и обнаружения более 50 типов PII в структурированных и неструктурированных данных. Модель рассчитана на английский язык и заявлена для текстов из разных областей, включая здравоохранение, финансы, право и кибербезопасность. В карточке указана оценка F1 95,73 на тестовой выборке из 10 тысяч примеров; качество различается между типами сущностей, и для распознавания профессий приведена заметно более низкая оценка F1 0,5949. Модель принимает текст и возвращает метки сущностей по токенам. Лицензия — MIT.

Модель Sentence Transformers, дообученная автором arjveer на Snowflake/snowflake-arctic-embed-l для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Модель основана на BERT, использует pooling по CLS-токену и нормализацию векторов, принимает последовательности длиной до 512 токенов. Подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки поиска на наборе из 156 примеров, однако этих данных недостаточно для вывода о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

Llama-xReadable-11B-zhTW-OCR-v3 — модель оптического распознавания символов для традиционного китайского языка Тайваня, разработанная облачной компанией 云碩科技 (xCloudinfo) на базе Meta Llama 3.2 11B Vision Instruct. Это плотная мультимодальная модель семейства mllama с возможностью диалога и анализа изображений; она принимает изображения документов и выдаёт распознанный текст. Модель дообучена для печатных и сканированных документов, квитанций, заметок и смешанного китайско-английского текста; результат нормализуется в традиционное китайское письмо. В оценках на шрифтах, не встречавшихся при обучении, модель показала низкую долю посимвольных ошибок на печатном тексте. Распознавание рукописей остаётся экспериментальным и требует проверки человеком; бледный или неразборчивый почерк распознаётся хуже. Для таблиц и сложной разметки рекомендуется предварительно разделить изображение на строки или ячейки. Английские фрагменты поддерживаются, но данных для них меньше. Модель распространяется в формате bf16 safetensors по лицензии Llama 3.2; для запуска подходят Transformers и vLLM, требуется около 21 ГБ для весов и рекомендуется GPU с 24 ГБ видеопамяти или больше.

Rahvusarhiiv разработал экспериментальную модель для суммаризации текстов на латышском языке, дообучив mBART-50 `facebook/mbart-large-50-many-to-many-mmt`. Это последовательная модель типа encoder-decoder на базе MBART; репозиторий содержит веса Safetensors. Её применяют для краткого пересказа новостей, юридических и административных материалов, энциклопедических текстов и академических публикаций, в том числе в пакетной обработке и retrieval-assisted сценариях с проверкой результата. Вторая версия обучена на 30 000 примерах, преимущественно на латышских новостях, с меньшими долями юридических и академических текстов. В сравнительных оценках она улучшила результаты на двух новостных наборах и точность опоры на исходный текст, но стала короче пересказывать энциклопедические материалы. Метаданные указывают контекст до 1024 токенов; в карточке для рекомендуемой генерации приведены 768 входных токенов и до 512 новых токенов. Лицензия обозначена как `other`. Модель может галлюцинировать или обобщать детали, особенно для длинных и недостаточно конкретных входов; имена, числа, даты и юридические ссылки нужно сверять с источником. Она может пропускать второстепенные сведения, а гарантированного управления длиной резюме нет. Для публикации и решений с существенными последствиями необходима проверка человеком.

GetmanY1/wav2vec2-xlarge-fi-150k-finetuned — модель автоматического распознавания финской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная на распознавании версия GetmanY1/wav2vec2-xlarge-fi-150k, основанная на архитектуре Wav2Vec2 и классе Wav2Vec2ForCTC; число параметров по метаданным — 1,3 млрд. Модель преобразует финскую речь в текст. Для её обучения использовали 4600 часов аудио с частотой дискретизации 16 кГц: разговорную речь из Lahjoita puhetta и записи заседаний финского парламента. На вход следует подавать аудио с частотой дискретизации 16 кГц. Модель предназначена для транскрибации финской речи, включая разговорную речь и парламентские выступления. Выпускается по лицензии Apache-2.0.

ivrit-ai/whisper-large-v3-turbo — модель распознавания речи на иврите, разработанная ivrit-ai посредством дополнительного обучения OpenAI Whisper Large v3 Turbo. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель предназначена главным образом для транскрибации речи на иврите, включая записи заседаний Кнессета, чтение текстов и другие аудиозаписи. Модель обучена на корпусах crowd-transcribe-v5, crowd-recital-whisper-training и данных пленарных заседаний Кнессета. Для распознавания следует явно задавать язык иврита. Определение языка ухудшилось, поэтому модель рассчитана преимущественно на аудио на иврите; перевод аудио не обучался и работает неудовлетворительно. Модель распространяется в формате safetensors и доступна на условиях лицензии Apache-2.0.

YaYi-7B-Llama2 — китайская языковая модель, разработанная командой YaYi (Wenge Research) и дообученная на базе LLaMA 2. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LLaMA и принимает контекст до 2048 токенов; опубликованные веса представлены в формате PyTorch. Модель предназначена для генерации текста и выполнения инструкций на китайском и английском языках, включая многоходовый диалог и задачи анализа в областях медиакоммуникаций, анализа общественного мнения, общественной безопасности, финансовых рисков и городского управления. Разработчики сообщают о дообучении на миллионах искусственно созданных высококачественных примеров и о настройке по отзывам пользователей. Карточка не уточняет лицензию; условия использования следует проверять в репозитории модели.

YOLOS-small-signature-detection — модель обнаружения объектов, дообученная Марио Дефрансом на базе hustvl/yolos-small для поиска рукописных подписей на изображениях документов. Она использует архитектуру Vision Transformer (YOLOS) и выдаёт расположение найденных подписей на изображении. Модель насчитывает 28,3 млн параметров и предназначена для работы с документами, включая сканы договоров и форм. Лицензия — Apache 2.0. Модель подходит для автоматического выделения областей с подписями при обработке документов. По данным README, обучение проводилось на наборе из примерно 2,8 тыс. изображений, объединяющем Tobacco800 и signatures-xc8up; тестовые показатели приведены для изображений 640×640. Качество может снижаться на изображениях низкого качества и при разнообразии стилей, недостаточно представленном в обучающих данных. Возможны ложные срабатывания и пропуски, поэтому результаты для юридически или финансово значимых решений следует проверять человеком. Модель не предназначена для обнаружения других объектов или подделки подписей.

ettin-68m-nemotron-pii — компактная модель для обнаружения и разметки персональных данных в тексте. Она основана на энкодере Ettin-68M от JHU CLSP и дообучена на наборе данных NVIDIA Nemotron-PII; архитектура — ModernBERT для классификации токенов, размер — 68,1 млн параметров, максимальная длина контекста — 7 999 токенов. Модель выделяет более 50 типов PII в структурированном и неструктурированном английском тексте, включая номера счетов, даты рождения и API-ключи. Её можно применять для поиска чувствительных данных в документах и подготовки текстов к обезличиванию в медицинских, финансовых, юридических и других сценариях. В карточке приведён результат F1 96,27 на тестовой выборке из 10 тысяч примеров Nemotron-PII; точность и полнота составили 96,35 и 96,19 соответственно. Показатели различаются по типам сущностей: например, для профессий F1 заметно ниже. Модель принимает текст и возвращает метки сущностей на уровне токенов. Она рассчитана на английский язык и может хуже работать на других языках; качество также зависит от типа PII. Лицензия — MIT.

Conditional DETR с backbone ResNet-50, дообученная Tech4Humans для обнаружения рукописных подписей на изображениях документов. Модель принимает изображение документа и возвращает ограничивающие рамки объектов подписи. Она создана на основе microsoft/conditional-detr-resnet-50 и распространяется в формате safetensors; в метаданных указано 6,3 млн параметров. Обучение проводилось на наборе из 2 819 изображений документов с разметкой координат подписей, собранном из Tobacco800 и signatures-xc8up. В README для Conditional DETR приведён результат mAP@0.5 около 93,65% в сравнении архитектур; показатели в других таблицах относятся к отдельным экспериментам и моделям YOLO, поэтому их нельзя напрямую считать характеристиками этого чекпойнта. Модель предназначена для поиска областей подписей в потоке обработки документов. Лицензия — Apache-2.0.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Она дообучена на основе Qwen/Qwen3-VL-Embedding-2B и предназначена для семантического поиска по изображениям, видео, тексту и страницам документов: все эти данные отображаются в общее векторное пространство. Модель ориентирована на локальное и автономное развертывание, в том числе на периферийных устройствах и в изолированных средах цифровой криминалистики. Модель содержит 1,93 млрд параметров, распространяется в формате safetensors и, по заявлению разработчика, работает примерно в 1,1 раза быстрее исходной модели. На внутренней оценке MMEB-V2 её результат составил 63,2 против 68,9 у базовой модели в той же среде; на отдельных тестах композиционного понимания показатели близки к базе. В карточке также указана поддержка корейского и английского, однако отдельная оценка многоязычной производительности не приведена. Eddy-VL создаёт векторы для поиска и сопоставления, но сама не ранжирует результаты как специализированный реранкер и не принимает решения по найденным материалам. Разработчик рекомендует проверять кандидатов человеком, особенно в задачах с высокими последствиями. Модель распространяется по лицензии Apache 2.0.

GLiNER2-PII — дообученная Fastino модель GLiNER2 размером 205 млн параметров для обнаружения и маскировки персональных данных. Она извлекает точные текстовые фрагменты 42 типов, включая имена, даты рождения, контакты, адреса и государственные идентификаторы; на входе можно задавать нужное подмножество меток. Модель принимает текст и возвращает разметку найденных сущностей для последующего маскирования. Модель заявлена для семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. В сравнении на бенчмарке SPY она показала средний span-level F1 0,477 на юридических и медицинских текстах и высокий recall, что полезно для процессов редактирования персональных данных. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека gliner2. Точность составляет около 0,35–0,37 на SPY: модель может избыточно отмечать имена и путать их с нарицательными словами, организациями и названиями продуктов. Оценка охватывает один бенчмарк и два домена; качество на нелатинских письменностях и за пределами европейских локалей не измерялось. Обучающие данные синтетические и не проверялись людьми. Лицензия — Apache-2.0.

NbAiLab создала эту модель распознавания речи на норвежском языке букмол для проекта Robust Speech Event. Это дообученная версия экстрактора признаков VoxRex Национальной библиотеки Швеции на архитектуре Wav2Vec2 с CTC-декодированием; в метаданных указано 402,7 млн параметров. Основным источником обучающих данных был корпус парламентских выступлений NPSC. Модель преобразует аудио в текст и рассчитана прежде всего на автоматическую транскрипцию речи на букмоле, в том числе парламентских выступлений. На тестовом наборе она показала WER 7,03% и CER 2,69% с 5-граммовой языковой моделью KenLM; без неё показатели составили 9,79% и 3,11%. Использование языковой модели улучшает результат. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

NbAiLab/nb-wav2vec2-300m-bokmaal-v2 — модель распознавания речи, разработанная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует аудиозаписи на норвежском букмоле в текст и предназначена, в частности, для транскрибирования речи из парламентского корпуса NPSC. Модель основана на архитектуре wav2vec 2.0 с CTC-выходом и содержит около 402,7 млн параметров. В репозитории также доступны файлы языковой модели 5-граммного типа для декодирования. Модель принимает аудио и выдаёт текст; лицензия — Apache-2.0.