IV.8Государственное управление, правосудие и чрезвычайные ситуации

OpenMed разработала OpenMed-PII-German-SuperClinical-Large-434M-v1 — модель разметки токенов на базе DeBERTa V3 Large, дообученную для обнаружения и классификации персональных и других чувствительных данных в немецком тексте. Она распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для обезличивания клинических записей и документов, подготовки исследовательских наборов данных и поиска чувствительной информации при аудите. В README указана оценка F1 0,9761 на немецкой части набора AI4Privacy PII Masking 400k. Модель имеет 533,8 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки сущностей для токенов в формате BIO. Она оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Авторы предупреждают, что модель может пропускать персональные данные и рекомендуют проверять результаты человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-EuroMed-Large-210M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный энкодер EuroBERT с архитектурой EuroBertForTokenClassification и примерно 211,7 млн параметров; модель принимает текст и размечает токены, относящиеся к 54 типам чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Контекст модели — до 8192 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей, медицинских документов и других текстов, а также для подготовки наборов данных к исследованиям и аудита документов на наличие чувствительной информации. В карточке сообщается о Micro F1 0,9685 на итальянской части набора AI4Privacy; веса опубликованы в формате safetensors. Модель оптимизирована для итальянского языка. Возможны пропуски персональных данных, а качество может меняться при использовании специализированной терминологии, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

jefftherover/pii-dual-mmbert-base-v2 — дообученная модель на базе многоязычного энкодера jhu-clsp/mmBERT-base для классификации токенов. По названию модели можно предположить, что она предназначена для обнаружения и разметки персональных данных (PII) в тексте, однако README не описывает её назначение и метки, а обучающий датасет указан как неизвестный. Модель содержит 306,9 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. В README приведены результаты оценки: F1 0,9970, точность 0,9963 и полнота 0,9977; датасет и методика оценки не раскрыты, поэтому эти показатели нельзя считать подтверждением качества на новых данных. Модель доступна в формате Safetensors через Transformers и распространяется по лицензии MIT.

Hukyl разработала trocr-rukopys — модель распознавания текста на изображениях на базе TrOCR-base с архитектурой VisionEncoderDecoderModel, включающей энкодер ViT-B/16 и декодер TrOCR; в модели около 334 млн параметров. Она дообучена на наборе Rukopys для распознавания строк и областей с рукописным украинским текстом в архивных документах и рассчитана на работу после детектора макета страницы. В обучении также использовались печатный текст, аннотации и табличные области, но для этих классов приведено мало оценочных примеров. На 1000 примерах валидации для рукописного текста указаны CER 0,1126 и WER 0,3036; авторы предупреждают, что разбиение выполнено по фрагментам, а не по страницам, поэтому оценка может быть оптимистичной. Модель хуже подходит для других языков и письменностей, современного цифрового текста и точной транскрипции без нормализации. Датасет Rukopys распространяется по лицензии CC BY 4.0; базовая модель не указывает явную лицензию, поэтому условия её использования и распространения следует проверить отдельно.

1T разработала Veil PII KO Lite — модель для обнаружения и классификации персональных данных в корейском тексте. Это дообученная KoELECTRA-base-v3 с архитектурой ELECTRA и 32 категориями PII; модель содержит 140,1 млн параметров и обрабатывает до 512 токенов за окно. Репозиторий включает веса Safetensors и оптимизированный для CPU формат ONNX INT8. Модель предназначена для локального обнаружения и маскирования персональных данных в диалогах и документах, в том числе в изолированных on-premise-средах. README сообщает о высоких результатах на тестах корейских диалогов и данных BCCard; длинные тексты обрабатываются скользящими окнами с перекрытием. По карточке заявлена поддержка корейского и английского языков. Качество может снижаться для имён, адресов и организаций, требующих контекстного анализа, а также для нестандартно записанных идентификаторов: например, удаление разделителей в телефонном номере заметно ухудшает F1, а пробелы между символами модель пока обрабатывает ненадёжно. Для таких входных данных README рекомендует при необходимости добавить правила на основе регулярных выражений. Лицензия — Apache-2.0.

Модель разработана Shu-wen Yang и соавторами и опубликована в формате PyTorch пользователем Anton Lozhkov. Это Wav2Vec2 с головой XVector, портированная версия модели S3PRL для задачи верификации говорящего в бенчмарке SUPERB. Она принимает речевой аудиосигнал с частотой дискретизации 16 кГц и предназначена для сравнения голосовых образцов при проверке личности говорящего. Модель содержит около 113,3 млн параметров и основана на wav2vec2-large-lv60, предварительно обученной на речи с частотой 16 кГц. Указан английский язык. Лицензия — Apache 2.0. Карточка предупреждает о возможных вредных стереотипах в предсказаниях и не рекомендует использовать модель для создания враждебной или отчуждающей среды.

Модель Flurin17/whisper-large-v3-turbo-swiss-german разработана Flurin17 как дообученная версия openai/whisper-large-v3-turbo для автоматического распознавания швейцарского немецкого. Она принимает аудио с речью и предназначена для сценариев, где нужно получить расшифровку на стандартном немецком языке. Модель использует архитектуру Whisper Large V3 Turbo и содержит около 905,2 млн параметров. Для дообучения использовали примерно 301 час частной аудиозаписи, преимущественно парламентской и другой полуформальной речи, а также прочитанной или заданной речи на швейцарском немецком; расшифровки обучающих данных были на стандартном немецком. Карточка сообщает об улучшении WER относительно базовой модели на выборке из обучающего корпуса, однако это внутренние самоотчётные результаты, а сам корпус закрыт. Модель подходит для распознавания достаточно чистой разговорной и полуформальной речи. Точность может меняться в зависимости от диалекта, говорящего, качества записи и предметной области; после выбранного чекпойнта качество на обучении ухудшалось. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Kaan Demir разработал классификатор изображений на основе CLIP ViT-B/16, дообученный с помощью LoRA для различения реальных изображений и изображений, созданных генеративными моделями, включая Stable Diffusion, Midjourney, DALL-E и Flux. Модель принимает изображения размером 256 × 256 пикселей и выдаёт оценку вероятности класса «реальное»; предусмотрена зона неопределённости, в которой модель воздерживается от решения. В README приведены результаты на отложенной тестовой выборке: точность 0,959 и макро-F1 0,959. Это экспериментальная оценка на данных автора, поэтому качество на изображениях из других источников и новых генераторов может отличаться. Модель предназначена для выявления изображений, созданных ИИ, и не гарантирует надёжную проверку подлинности отдельного изображения. Репозиторий распространяется по лицензии MIT.

MelodyMachine выпустила Deepfake-audio-detection-V2 — дообученную модель классификации аудио на базе motheecreator/Deepfake-audio-detection. Модель использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель предназначена для классификации аудиозаписей, в частности для выявления дипфейкового аудио. На оценочном наборе данных автор сообщает точность 0,9973 и значение функции потерь 0,0141; описание набора и протокола оценки не приведено. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Qwen-SEA-Guard-8B-2602 — модель для классификации безопасности, разработанная AI Products Pillar организации AI Singapore и дообученная на SEA-Guard для контекстов Юго-Восточной Азии. Это плотная мультимодальная модель семейства Qwen3-VL с декодерной архитектурой; она принимает текст и изображения и возвращает текстовую метку «safe» или «unsafe». Контекстное окно — 128 тыс. токенов. Модель предназначена для проверки безопасности текстового и визуально-текстового контента, в том числе с учётом культурных контекстов региона. Поддерживаемые языки: бирманский, английский, индонезийский, малайский, тагальский, тамильский, тайский и вьетнамский. В карточке указана лицензия Apache-2.0. Модель может выдавать галлюцинации, нерелевантные или необоснованные результаты, поэтому её метки следует проверять, а решения о безопасности не следует считать окончательными без дополнительной оценки. Для повышения скорости вывода поддерживается vLLM; карточка также указывает на возможность дальнейшего дообучения.

Vela Hazard — модель классификации текста, разработанная проектом LLM Semantic Router. Она присваивает тексту 12 независимых оценок риска по категориям безопасности; к одному тексту могут относиться несколько категорий. Модель построена на архитектуре ModernBERT и содержит 306,9 млн параметров. Максимальная входная длина — 32 768 токенов с учётом специальных токенов. Модель предназначена для выявления рисков в пользовательских запросах и текстах, в том числе самоповреждения, языка ненависти, специализированных советов, нарушений приватности и дезинформации. Оценки вычисляются через sigmoid независимо для каждой категории, а не через softmax. Для длинных текстов README рекомендует обрабатывать окнами по 2 048 токенов с шагом 1 023 токена, объединять результаты максимумом по каждой категории и применять пороги из operating_point.json. В оценке на 57 запросах по пяти общим категориям риска модель показала macro F1 96,73% и точность 98,25%; авторы отмечают, что это сравнение не оценивает обнаружение всех 12 категорий, отклонение безопасных запросов или точность на длинном контексте. Модель является дообучением llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах ONNX и safetensors и распространяется по лицензии Apache-2.0.

WavLM-Base for Speaker Verification — модель Microsoft для проверки личности говорящего по речи. Это модель семейства WavLM с архитектурой Transformer и головой WavLMForXVector; она содержит 113,3 млн параметров. Базовая модель предварительно обучена на 960 часах LibriSpeech с частотой дискретизации 16 кГц, а версия для проверки говорящего дообучена на VoxCeleb1 с головой X-Vector и функцией потерь Additive Margin Softmax. Модель принимает речевое аудио с частотой 16 кГц и формирует векторные представления голоса, пригодные для сравнения говорящих и проверки совпадения личности. Её можно применять для верификации диктора в записях и системах контроля доступа по голосу. Карточка не описывает поддержку других языков помимо английского в метаданных и не приводит отдельные показатели качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

decider-4b — модель принятия решений на основе языковой модели, разработанная Mapika как открытая реализация класса System One. Она принимает состояние и типизированные вопросы с заданными вариантами ответа и за один проход вычисляет распределение вероятностей по вариантам; свободный текст не генерирует. Модель предназначена для вызова из программных систем, например для классификации состояний и выбора действия в играх или браузерных сценариях. В репозитории размещена версия v2.1: плотная текстовая архитектура Qwen3.5-4B с 3,4 млрд параметров по метаданным и контекстом до 262 144 токенов. Веса сохранены в safetensors; модель дообучена в два этапа, включая LoRA, впоследствии объединённую с весами. Базовая модель — Qwen/Qwen3.5-4B-Base. Основной язык — английский; в обучающих данных также присутствовали небольшие многоязычные выборки. Модель показывает результаты на задачах принятия решений, но её оценки уверенности на сложных многошаговых примерах могут быть завышены. В README отмечены ошибки на отдельных тестах и отставание от более крупной версии на некоторых наборах. Для калибровки по типам ответов требуется decider-ai версии 1.4.0 или новее. Лицензия — Apache-2.0.

D-FINE Medium — модель компьютерного зрения для обнаружения объектов, разработанная авторами работы D-FINE и представленная в реализации для Transformers. Эта версия обучена на наборе Objects365 и предназначена для выявления объектов на изображениях с локализацией их рамками. Архитектура D-FINE уточняет регрессию координат рамок с помощью Fine-grained Distribution Refinement и Global Optimal Localization Self-Distillation; модель распространяется в формате Safetensors. Модель подходит для обнаружения объектов в системах видеонаблюдения, робототехнике, автономном вождении и розничной аналитике, включая сценарии реального времени и развертывание на периферийных устройствах. Для описанной версии указан набор Objects365; поддержка английского языка отражена в метаданных, но задача не требует текстового ввода. Модель распространяется по лицензии Apache-2.0.

ersanbil разработившая модель ersanbil/kvkk-pii-ner предназначена для выявления персональных данных в турецком тексте в рамках соответствия KVKK. Это дообученная для BIO-разметки токенов модель BERT на основе dbmdz/bert-base-turkish-cased; она помечает имена людей, адреса, медицинские данные и специальные категории KVKK. Модель рассчитана на поиск сведений в свободном тексте, которые могут пропускать регулярные выражения, и используется как второй уровень гибридного конвейера kvkk-pii. Размер — 137,8 млн параметров, контекст — до 512 токенов; вход и выход представлены текстом с метками сущностей. В карточке сообщается о пятифолдовой перекрёстной проверке со средним F1 98,86% ± 0,19%. Модель обучена на синтетических данных; категория KVKK_SPECIAL представлена ограниченно, названия городов иногда ошибочно размечаются как имена людей, а полнота выявления медицинских сведений ниже на произвольном тексте, чем на структурированных формах. Указанная лицензия — Apache-2.0.

Political DEBATE large — модель классификации текстов на основе DeBERTa-v2, разработанная Майклом Бернхэмом и соавторами. Она дообучена на наборе PolNLI для классификации политических документов в режиме zero-shot и few-shot: определения позиции автора, выявления языка ненависти, извлечения событий и тематической классификации. Модель сопоставляет текст с короткой гипотезой, заданной пользователем, и оценивает, следует ли эта гипотеза из текста. Модель содержит 533,8 млн параметров, принимает текстовые входы, поддерживает английский язык и имеет контекст до 512 токенов. Данные обучения включают публикации в соцсетях, новости, законопроекты Конгресса и краткие описания судебных дел. Для few-shot настройки README рекомендует использовать не менее 10 примеров, предпочтительно около 25, и небольшие пакеты по 1–2 примера. Модель предназначена для анализа политических текстов из разных источников; качество зависит от формулировки гипотезы и близости задачи к обучающим данным. Для supervised-классификации по задачам, явно представленным в обучении, авторы рекомендуют базовую модель. Лицензия — MIT.

PekingU/rtdetr_r18vd — модель обнаружения объектов на изображениях семейства RT-DETR, разработанная Яном Чжао и Сангбумом Чхве и опубликованная в Transformers. Это вариант RT-DETR-R18 с архитектурой на основе DETR: гибридный энкодер обрабатывает многомасштабные признаки, а декодер предсказывает категории объектов и ограничивающие рамки. Модель обучена на COCO 2017; в карточке для неё указаны 20 млн параметров и оценка 46,5 AP на валидационной выборке COCO. Изображения при подготовке приводятся к размеру 640×640. Модель предназначена для обнаружения объектов на изображениях в сценариях, где важны скорость и сквозное предсказание без NMS. Доступна для использования через библиотеку Transformers; веса сохранены в Safetensors. Лицензия — Apache-2.0. Карточка описывает общую архитектуру RT-DETR, но приведённые показатели скорости относятся к сравнительной таблице и зависят от оборудования и настроек запуска.

SalamandraTA-7b-instruct — многоязычная языковая модель для машинного перевода, разработанная BSC-LT. Это инструкционно дообученная модель на основе SalamandraTA-7b-base, которая, в свою очередь, создана дополнительным предобучением Salamandra-7b; базовая модель SalamandraTA-7b-base не опубликована. Модель имеет плотную архитектуру семейства Llama, около 6,7 млрд параметров по метаданным и контекст до 8192 токенов. Модель предназначена для перевода между 40 языками и тремя языковыми вариантами, включая европейские и неевропейские языки. Она поддерживает перевод предложений, абзацев и документов, а также перевод с учётом терминологии, перевод структурированного текста, например HTML и XML, постредактирование перевода и распознавание именованных сущностей. Для работы доступны веса в формате safetensors; README описывает использование через Transformers и развёртывание через vLLM либо llama.cpp для квантованной версии. В карточке приведены оценки на переводческих тестах и сравнения с другими моделями, включая оценку передачи грамматического рода. Ограничения включают предварительный характер инструкционного дообучения и отсутствие подробного анализа точности по языкам, диалектам и предметным областям, а также систематических смещений перевода. Лицензия — GPL-3.0; разработчики рекомендуют проводить проверку безопасности и адаптацию для конкретных приложений.

nagbhaskar55/slm125mlive-qa-DPO — англоязычная компактная модель семейства Llama, разработанная на основе nagbhaskar55/slm125mlive-bhaskar-finetune. Это плотная авторегрессионная модель на 125,8 млн параметров с контекстом до 1024 токенов, предназначенная для генерации ответов на вопросы по предоставленному фрагменту текста. Модель дообучена методом Direct Preference Optimization (DPO), чтобы улучшить качество и согласованность ответов на запросы с пассажем и вопросом; она ожидает формат slm_chat. Модель подходит для ответов по юридическим и финансовым текстам, извлечения сведений и суммаризации предоставленного материала. README сообщает об улучшении предпочтений на небольшой выборке пар ответов, поэтому результат следует считать настройкой качества ответов, а не появлением новых возможностей. Размер обучающей выборки ограничен, метки предпочтений получены от LLM-судьи, а модель не предназначена для юридических или финансовых консультаций. Метаданные указывают формат safetensors и библиотеку Transformers; сведения о лицензии отсутствуют.

Hukyl разработал TrOCR-Large-rukopys-hw — модель распознавания текста в изображениях, основанная на архитектуре VisionEncoderDecoderModel: ViT-L/16 в качестве визуального энкодера и декодер TrOCR, около 558 млн параметров. Модель дообучена на размеченных фрагментах датасета Rukopys и предназначена прежде всего для чтения рукописных украинских документов. Она принимает обрезанные изображения строк или областей документа, обычно после обнаружения их расположения отдельной моделью, и выдаёт нормализованный текст. На проверочной выборке из 1 223 фрагментов общий CER составил 0,0890; для рукописного класса CER — 0,0750. Данные по печатному тексту, аннотациям и таблицам представлены небольшим числом примеров, поэтому результаты для этих типов фрагментов ненадёжны; особенно слабо модель справляется с таблицами. Точность может снижаться на других языках и письменностях, современных цифровых документах и при отличиях от архивных материалов обучения. Выход нормализуется под метрики OCR и может не совпадать с буквальной транскрипцией. Модель распространяется по лицензии Apache-2.0.

Ultralytics YOLOv5 — семейство моделей компьютерного зрения, разработанное Ultralytics. В репозитории представлены варианты для обнаружения объектов, сегментации экземпляров и классификации изображений; модели обнаружения и сегментации обучены на COCO и распознают 80 классов. YOLOv5 предназначена для быстрого анализа изображений и видеокадров, в том числе в сценариях отслеживания объектов с моделями обнаружения или сегментации. Модели используют архитектуру YOLO и доступны через библиотеку Ultralytics на PyTorch. Для обнаружения объектов приведены варианты от YOLOv5n до более крупных конфигураций; для семейства указаны параметры быстродействия и качества на COCO. Репозиторий поддерживает также сегментацию, классификацию и оценку позы, но метаданные классифицируют эту карточку прежде всего как object-detection. Карточка перечисляет поддержку английского, китайского, японского, русского, немецкого, французского, испанского, португальского, турецкого, вьетнамского и арабского языков; сама модель обрабатывает изображения, поэтому эти языковые теги не означают языковой ввод или вывод. Для коммерческого использования Ultralytics указывает необходимость Enterprise License; указанная лицензия репозитория — AGPL-3.0. Качество зависит от варианта модели, разрешения и условий съёмки; предобученные модели ориентированы на классы COCO, поэтому для других категорий может потребоваться дообучение.

Карточка модели Sieddi/Octen-Embedding-8B на Hugging Face совпадает с карточкой Octen/Octen-Embedding-8B, поэтому описание составлено по ней. Octen-Embedding-8B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска и извлечения документов, сравнения текстов, кластеризации и создания векторных представлений для последующей классификации или ответов на вопросы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров, формирует эмбеддинги размерностью 4096 и поддерживает контекст до 40 960 токенов. Модель заявлена как мультиязычная, с поддержкой более 100 языков, включая английский и китайский; также заявлены межъязыковой поиск и поиск по коду. В README указаны специализации для юридических, финансовых, медицинских и программных материалов, а также первое место в RTEB по состоянию на 12 января 2026 года. Для документов без префикса README рекомендует добавлять в начало «- » из-за известной проблемы в upstream-модели. Качество может различаться по языкам и областям, документы длиннее контекста требуют усечения; генерация текста не является назначением модели. Лицензия — Apache 2.0.

Octen-Embedding-8B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска и извлечения документов, сравнения текстов, кластеризации и создания векторных представлений для последующей классификации или ответов на вопросы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров, формирует эмбеддинги размерностью 4096 и поддерживает контекст до 40 960 токенов. Модель заявлена как мультиязычная, с поддержкой более 100 языков, включая английский и китайский; также заявлены межъязыковой поиск и поиск по коду. В README указаны специализации для юридических, финансовых, медицинских и программных материалов, а также первое место в RTEB по состоянию на 12 января 2026 года. Для документов без префикса README рекомендует добавлять в начало «- » из-за известной проблемы в upstream-модели. Качество может различаться по языкам и областям, документы длиннее контекста требуют усечения; генерация текста не является назначением модели. Лицензия — Apache 2.0.

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.

Octen-Embedding-0.6B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и извлечения информации, а также для сравнения и кластеризации текстов, поиска по документам и межъязыкового поиска. Модель построена на архитектуре Qwen3, содержит около 507,6 млн параметров и преобразует текст в векторы размерности 1024. Она поддерживает контекст до 32 768 токенов и многоязычную работу; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель рассчитана на retrieval-сценарии и может использоваться для ранжирования кандидатов через сходство эмбеддингов, а также как представление текста для классификации и ответов на вопросы. Качество зависит от предметной области и языка, а документы длиннее контекстного окна требуют усечения. Модель не предназначена для генерации текста. 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.

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

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.

Octen-Embedding-4B — плотная текстовая embedding-модель, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-4B. Она преобразует текст в векторы размерности 2560 для семантического поиска, извлечения информации, сравнения и кластеризации документов, а также для поиска по запросам на разных языках и языках программирования. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель предназначена прежде всего для retrieval-сценариев, в том числе поиска по юридическим, финансовым, медицинским и техническим материалам. Лицензия Apache-2.0. Это модель эмбеддингов, поэтому она не предназначена для генерации текста; качество может различаться в зависимости от языка и предметной области, а документы длиннее контекстного окна требуют усечения.

olmOCR-7B-0225-preview-bf16 — конверсия модели allenai/olmOCR-7B-0225-preview в формат MLX, подготовленная сообществом mlx-community с помощью mlx-vlm версии 0.1.14. Это мультимодальная модель на архитектуре Qwen2-VL с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2-VL-7B-Instruct. Она предназначена для преобразования изображений документов в текст и ответа на запросы по их содержимому. Модель принимает текст и изображения, выдаёт текст; поддерживаемая длина контекста составляет 32 768 токенов. В карточке указан английский язык и лицензия Apache-2.0. Для подробностей о назначении и качестве авторы отсылают к карточке исходной модели.