IV.8Государственное управление, правосудие и чрезвычайные ситуации

MDfox/OvisOCR2-GGUF-SOTA-20260823 — неофициальная конверсия модели ATH-MaaS/OvisOCR2 в формат GGUF, подготовленная для запуска через llama.cpp. Модель предназначена для мультимодального преобразования изображений в текст, прежде всего для OCR и разбора документов, включая задачи, оцениваемые на OmniDocBench. Конверсия собрана и протестирована с llama.cpp v0.4.0. Для работы требуется языковая модель GGUF и отдельный файл mmproj, отвечающий за обработку изображений. Доступны различные варианты квантования: от Q2_K до Q8_0, а также BF16 для mmproj. В опубликованных тестах использовался контекст до 32 768 токенов на слот, обработка изображений с 196–8 100 image tokens и лимит генерации до 16 384 токенов. Наивысший заявленный результат на OmniDocBench v1.6 составил 96,4547 для Q8_0 с BF16 mmproj; компактный вариант Q3_K_M с Q8_0 mmproj имеет размер 555,2 МиБ и результат 96,2012. Сильными сторонами являются высокое качество распознавания и структурного анализа документов при сравнительно небольшом размере квантованных сборок, а также поддержка запуска локально через llama.cpp. К ограничениям относятся неофициальный статус конверсии, необходимость совместимых версий llama.cpp и наличия двух файлов модели, а также заметное снижение качества у наиболее агрессивного варианта Q2_K. Языки, точный размер исходной модели, архитектура и перечень поддерживаемых языков в README не указаны. Распространение заявлено по лицензии Apache-2.0.

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

urchade разработала GLiNER PII — модель распознавания именованных сущностей, дообученную на базе urchade/gliner_multi-v2.1 на синтетическом наборе данных с персональными данными. Она использует двунаправленный трансформерный энкодер типа BERT и предназначена для извлечения PII из текста, в том числе когда нужные типы сущностей задаются пользователем. Модель распознаёт имена людей и организаций, телефоны, адреса, электронную почту, номера документов, банковские и страховые идентификаторы, даты рождения, медицинские сведения, IP-адреса и другие перечисленные в карточке сущности. Карточка указывает поддержку английского, французского, немецкого, испанского, португальского и итальянского языков. Модель распространяется в формате PyTorch через библиотеку GLiNER и опубликована под лицензией Apache-2.0. GLiNER PII рассчитана на извлечение и разметку чувствительных сущностей в текстах, например для обнаружения персональных данных перед их редактированием или маскированием. Карточка не приводит количественных оценок качества, поэтому пригодность для конкретных типов документов и языков следует оценивать на собственных данных.

GLiNER-PII Edge v1.0 — компактная модель распознавания именованных сущностей, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем находит соответствующие фрагменты текста; модель настроена для выявления более 60 категорий персональных, медицинских и платёжных данных и поддерживает обнаружение пользовательских типов без переобучения. Её предназначение — локальная обработка чувствительных данных в документах, расшифровках и журналах, в том числе на устройствах с ограниченными ресурсами. Модель основана на двунаправленном трансформере GLiNER и доступна в форматах PyTorch и ONNX; для ONNX указаны варианты FP16 и UINT8. В оценке на синтетическом наборе synthetic-multi-pii-ner-v1 она получила F1 75,50%; README отмечает, что Edge-вариант рассчитан на меньшую задержку и размер модели по сравнению с более крупной версией, с некоторым снижением полноты обнаружения. Лицензия — Apache-2.0.

mmBERT-32K PII Detector (Merged) — модель для обнаружения и классификации персональных данных в тексте, разработанная для семейства vLLM Semantic Router. Она дообучена на базе llm-semantic-router/mmbert-32k-yarn и предназначена для выделения сущностей вроде имён, адресов электронной почты и телефонов, адресов, платёжных реквизитов, идентификаторов и других типов PII. Модель использует плотную архитектуру ModernBERT с 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и возвращает метки для токенов; репозиторий содержит веса safetensors и ONNX. В README приведены отдельные показатели точности для некоторых типов сущностей, включая 98,7% для имён и 84% для номеров кредитных карт. Модель подходит для поиска и разметки чувствительных данных в документах и текстовых потоках, в том числе как компонент маршрутизации запросов в vLLM Semantic Router. Лицензия — MIT. Приведённые показатели относятся лишь к отдельным типам PII; карточка не описывает качество по остальным классам или языкам, поэтому полноту обнаружения в конкретной задаче следует оценивать отдельно.

NB-Whisper Small (beta) — модель распознавания речи, выпущенная NB AI-Lab Национальной библиотекой Норвегии. Она построена на архитектуре OpenAI Whisper и дообучена на 20 000 часах размеченных аудиоданных; в карточке указано 153,1 млн параметров. Модель предназначена для распознавания речи и транскрибирования аудио, особенно на норвежском языке. Поддерживаются норвежский букмол, норвежский нюношк и английский. Модель подходит для черновой расшифровки речей, парламентских выступлений, телепередач и аудиокниг. Авторы отмечают высокое качество для норвежского языка среди ASR-моделей сопоставимого размера, но предупреждают о галлюцинациях, пропусках фрагментов и расхождении транскрипта с дословной речью: модель может нормализовать устную речь в грамматически правильный письменный текст или опускать части высказывания. Это публичная бета-версия, не предназначенная для производственного применения без оценки рисков. Лицензия — CC BY 4.0.

Paprika — модель распознавания литовской речи, созданная командой Kalamo на основе Whisper large-v3-turbo и дообученная на литовских данных. Она преобразует аудио в текст; в обучающую выборку вошли около 320 часов спонтанной и прочитанной речи из LIEPA-3 и VoxPopuli LT. Для обработки длинных записей авторы рекомендуют запуск через конвейер с окнами по 30 секунд. Модель поддерживает литовский язык и принимает аудио с частотой 16 кГц. В тестах авторов она показала WER 16,98% на отложенном наборе VoxPopuli LT и 12,32% на FLEURS-lt; эти результаты зависят от набора данных и настроек распознавания. Модель рассчитана на транскрибирование речи, в том числе спонтанной и парламентской. Результат выдаётся строчными буквами без пунктуации и регистрационной разметки. У длинной записи встроенное декодирование с временными метками резко ухудшает качество, а обработка окнами может незаметно пропускать слова на стыках и порождать текст на тишине. Для задач, где важна полнота транскрипции, автор рекомендует более новую версию v3. Лицензия — CC BY 4.0.

Модель GetmanY1/wav2vec2-large-fi-150k-finetuned — финская система распознавания речи на базе архитектуры Wav2Vec2 Large, разработанная Ярославом Гетманом и Тамашем Гросом. Она дообучена на 4600 часах финской речи: 1500 часах разговорной речи из Lahjoita puhetta и 3100 часах записей парламента Финляндии. В метаданных указан размер 402,7 млн параметров; модель использует архитектуру Wav2Vec2ForCTC и библиотеку Transformers. Модель предназначена для преобразования финской речи в текст, в том числе разговорной речи и парламентских выступлений. Для входного аудио требуется частота дискретизации 16 кГц. Базовая модель предварительно обучена на финской речи; чекпойнт содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она ориентирована на финский язык; качество на других языках не заявлено.

Модель BERT с 135,5 млн параметров предназначена для ответов на вопросы по предоставленному тексту: она находит в контексте фрагмент, соответствующий вопросу. Модель обучена с нуля на датасете SQuAD; в карточке указана архитектура BertForQuestionAnswering. Поддерживаются форматы PyTorch и TensorFlow, максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения ответов из текстовых документов и справочных материалов. Данных о поддерживаемых естественных языках и специальных областях применения нет. Лицензия в предоставленных сведениях не указана.

clarin-knext/bge-reranker-v2-m3-citeverifier — дообученная модель CLARIN-KNекст на основе BAAI/bge-reranker-v2-m3 для проверки соответствия пары текстов. Она принимает посылку и гипотезу, оценивает их совместимость и позволяет по порогу сходства получить бинарное решение; такой сценарий подходит для проверки, подтверждается ли утверждение заданным текстом. Модель построена на XLM-RoBERTa, содержит около 658,7 млн параметров, работает с текстом и имеет контекст до 8194 токенов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не описана.

DeciMamba-130m-squad-doc-ret — официальный чекпойнт DeciMamba-130m, дообученный для поиска документов. Модель представлена авторами исследования DeciMamba: Exploring the Length Extrapolation Potential of Mamba; в метаданных указаны архитектура Mamba и 236,8 млн параметров. Модель предназначена для задачи поиска документов и относится к pipeline text-generation. Репозиторий содержит веса PyTorch; лицензия — MIT. В README указаны скрипты обучения и оценки в репозитории проекта.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.

florin-parser-nano — компактная визуально-языковая модель на архитектуре Qwen2-VL, разработанная Florin Inc. как LoRA дообучение KDLAI/KDL-Frontier-Parser-nano от KoreaDeep. Модель принимает изображения документов и распознаёт их содержимое, формируя текст с разметкой Markdown для выделений, зачёркиваний и структуры таблиц. В карточке указаны база размером 1,2 млрд параметров и обучение на парах фрагментов документов и Markdown; обучающие примеры включали страховые документы, синтетические изображения и материалы на китайском и деванагари. Модель предназначена для OCR и разбора документов, где важно сохранить визуальное форматирование и структуру таблиц. В описанном тестировании ParseBench она показала средний результат 77,50 на полном корпусе из 2 079 документов; авторы также сообщают о компромиссе между форматированием и распознаванием диаграмм. Заявленные результаты на подмножестве страховых документов получены до последней коррекции и ожидают повторного измерения. Поддерживаемые языки по метаданным — английский, китайский и хинди. Модель распространяется по лицензии AGPL-3.0.

Kavach PII 270M v2 — компактная текстовая модель на 257 млн параметров, разработанная автором репозитория inboxpraveen на основе дообучения Google Gemma 3 270M IT. Она извлекает персональные данные из документов и возвращает найденные значения списком JSON. Модель предназначена для автоматизации обнаружения и последующего обезличивания PII в расшифровках звонков, результатах OCR, формах, чатах, коде и журналах; заявлена поддержка 29 языков. Это генеративная архитектура Gemma3ForCausalLM с контекстом до 32 768 токенов; модель принимает текст и выдаёт текст. В карточке сообщается о value-F1 88,4 на исходном тестовом наборе v2, а также о низкой доле ложных срабатываний на документах без PII. Результаты v2 уступают актуальной v3 на исправленном тестовом наборе; автор также отмечает, что небольшие окна контекста ухудшают качество, длинные входы лучше обрабатывать с перекрывающимися окнами, а модель возвращает значения, но не их позиции в исходном тексте. Репозиторий распространяется по лицензии Gemma; для извлечения позиций предлагается отдельная утилита, которая сопоставляет найденные значения с исходным текстом.

EverMind AI представила MSA-4B — языковую модель на базе Qwen3-4B-Instruct-2507 с архитектурой Memory Sparse Attention (MSA), предназначенную для ответов на вопросы по очень большим массивам документов. В модели 3,7 млрд параметров по метаданным; README указывает 4,0 млрд. Архитектура использует разреженное внимание, позиционные кодировки RoPE на уровне документов и чередование памяти для многопереходных рассуждений. По заявлению разработчика, эти механизмы снижают вычислительную сложность и позволяют работать с памятью до 100 млн токенов; метаданные указывают нативный контекст 262 144 токена. Модель проверялась на задачах одношагового и многошагового вопросно-ответного поиска, а также на тестах длинного контекста. MSA-4B подходит для поиска ответов в больших коллекциях документов, включая сценарии, где сведения распределены по нескольким фрагментам. README сообщает о сравнении с RAG-системами на девяти наборах данных и о сильных результатах на большинстве сравнений с моделями той же размерности; это результаты, заявленные авторами. Модель текстовая, карточка ориентирована на английский язык, а среди тестов указан DuReader. Основа — Qwen3-4B-Instruct-2507, лицензия MIT. Для запуска README отсылает к отдельному коду GitHub и не содержит завершённых инструкций установки.

schift-io/schift-ko-pii-v6 — модель обнаружения персональных данных в корейском тексте, разработанная Schift. Она предназначена для выделения сущностей типа «человек», «адрес» и «организация» и может использоваться перед проверкой, маскированием или передачей текста другим системам. Дополнительные структурированные и контекстные категории доступны через отдельный необязательный адаптер пакета. В карточке описан dual-path LoRA encoder; метаданные указывают на плотную архитектуру LFM2 с головой токен-классификации и размером 32,9 млн параметров. Модель принимает текст и размечает токены по схеме O/B/I/E/S. README указывает максимум 512 токенов, тогда как метаданные каталога сообщают о нативном контексте 8192 токена; практический предел описанного детектора — 512 токенов. Постобработка учитывает корейские идентификаторы и может проверять контрольные суммы, объединять фрагменты и подавлять некоторые ложные срабатывания. Качество обнаружения зависит от текста и порогов; результат маскирования по политике может оставлять необработанные чувствительные фрагменты. Модель распространяется под лицензией other, конкретные условия в предоставленных данных не раскрыты.

Typhoon-OCR-3B — модель для разбора документов на тайском и английском языках, разработанная OpenTyphoon на основе Qwen2.5-VL-3B-Instruct. Она использует архитектуру Qwen2.5-VL с 3,1 млрд параметров, принимает изображения и текстовые инструкции и формирует текстовый результат. Контекст модели составляет 128 000 токенов. Модель предназначена для OCR и структурированного извлечения содержимого из финансовых отчётов, научных статей, книг, государственных форм, чеков, меню, билетов и инфографики. Обычный текст она выдаёт в Markdown, таблицы — в HTML, а изображения, диаграммы и подписи описывает структурированно. Основной фокус — распознавание тайского и английского текста и документов со сложной вёрсткой. Модель требует специальных промптов из карточки и не предназначена для обычного VQA или универсального диалога. Авторы отмечают риск галлюцинаций и снижение качества на книгах с разнообразными встроенными изображениями; для локального запуска предупреждают о возможном ухудшении точности некоторых сборок GGUF. Лицензия в метаданных указана как Apache-2.0, а README также требует соблюдения условий OpenTyphoon.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

Sunbird/asr-whisper-large-v2-salt — модель распознавания речи, разработанная на основе Whisper large-v2 и адаптированная для языков Уганды. Она дообучена на наборе SALT, Common Voice для луганда и FLEURS; при обучении добавляли шум и понижали частоту аудио до 8 кГц, чтобы приблизить данные к телефонным записям. Модель принимает аудио и выдаёт транскрипцию, пытаясь автоматически определить язык; для повышения точности распознавания язык можно указать явно. Модель предназначена для транскрибации речи на луганда, ачоли, лугбара, атесо, руньянколе и английском с угандийским акцентом. В карточке приведены метрики CER и WER для английского, лугандийского и ачоли; результаты для остальных языков в предоставленном фрагменте не раскрыты. Автоопределение языка может ошибаться, а базовый Whisper не поддерживает перечисленные языки. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

ceat-fc-rag-2 — англоязычная модель Sentence Transformers, созданная дообучением nlpaueb/legal-bert-base-uncased на 786 парах текстов. Архитектура состоит из BERT и среднего пулинга токенов; модель преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск в корпусах документов, оценку сходства предложений, поиск перефразировок, кластеризацию и извлечение признаков для классификации. Юридически ориентированная базовая модель и английский язык делают её подходящей для англоязычных юридических текстов, хотя карточка не подтверждает отдельную оценку качества на юридических задачах. В README приведены метрики информационного поиска на нескольких размерностях векторов; их значения умеренные и относятся к указанному набору оценки. Модель распространяется по лицензии Apache-2.0. Вход — текст, выход — векторные представления; лимит в 512 токенов ограничивает длину обрабатываемого текста за один проход.

Fleet Semantic 4B v0.10 — модель генерации текста от noumenon-labs, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная причинная языковая модель архитектуры FleetForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Внутри одной модели размещены специализированные LoRA-преобразования, которые выбираются во время вывода с помощью семантической маршрутизации. Модель предназначена для диалогов и генерации ответов с маршрутизацией к экспертам по математическим рассуждениям, медицине, юридическим операциям, определению намерений, вызову функций и структурированному выводу. Доступны режимы exact, balanced и fast; версия 0.10 оптимизирует маршрутизацию, разреженное выполнение LoRA и пакетную генерацию. Поддержка русского языка в предоставленных данных отдельно не подтверждена. Разработчик обозначает Fleet как исследовательский прототип. Качество и задержку режимов balanced и fast следует оценить на целевых задачах; крупные fused kernels, интеграция с vLLM/Punica и continuous batching не входят в эту версию. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели и её базовой модели.

GLiNER-PII base v1.0 — модель распознавания именованных сущностей для выявления персональных, медицинских и платёжных данных. Она разработана совместно Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который извлекает сущности по переданным при запросе категориям, включая категории без отдельного дообучения. Модель рассчитана на обработку текстов, документов, транскрипций и журналов чатов; распознаёт более 60 подготовленных категорий и позволяет задавать собственные типы сущностей. Модель предназначена для локального обнаружения чувствительных данных, их обезличивания и поддержки процессов конфиденциальности и соответствия требованиям. В сравнении на синтетическом наборе synthetic-multi-pii-ner-v1 для этой версии указаны точность 79,28%, полнота 82,78% и F1 80,99%. В репозитории представлены форматы PyTorch и ONNX; README также описывает ONNX-варианты FP16 и UINT8. Лицензия — Apache-2.0. Это специализированный экстрактор сущностей, а не универсальный генератор текста. Показатели приведены для синтетического набора и не гарантируют такую же точность на реальных данных; перед использованием в критичных сценариях следует проверить качество на целевых текстах. Метаданные и README указывают английский язык, поэтому поддержка других языков не подтверждена.

Trelis выпустила дообученную версию Mistral-7B-Instruct-v0.1 для суммаризации длинных текстов. Модель использует плотную архитектуру Mistral на 7,1 млрд параметров; в карточке заявлено обучение для контекстов до 16 тыс. токенов, а метаданные указывают нативный контекст до 32 768 токенов. Для суммаризации предлагается формат инструкции [INST] с явными маркерами начала и конца текста. Модель предназначена для создания краткого изложения больших документов и фрагментов текста. В основе лежит трансформер Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; модель работает с текстом и поддерживает диалоговый формат. В карточке не перечислены целевые языки, поэтому языковую специализацию определить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка базовой Mistral-7B-Instruct-v0.1 отмечает отсутствие встроенных механизмов модерации; качество суммаризации для конкретных языков и типов документов требует проверки на целевых данных.

ab-ai разработала дообученную модель на базе Microsoft Phi-3-mini-4k-instruct для обнаружения персональных данных в тексте. Она предназначена для поиска имен, дат рождения, контактных и адресных данных, финансовых реквизитов, идентификаторов, IP- и криптовалютных адресов и других чувствительных сущностей, например для редактирования документов, защиты конфиденциальности и проверки соответствия требованиям. Модель использует плотную архитектуру Phi-3 с 3,7 млрд параметров, работает через Hugging Face Transformers и принимает текст, генерируя текстовый ответ. Заявленный контекст составляет до 4096 токенов; в метаданных указан английский язык. Модель распространяется по лицензии MIT. Результаты обнаружения зависят от формата запроса и могут пропускать или неверно классифицировать данные; перед использованием в процессах соответствия требованиям нужна проверка качества на целевых текстах.

QwenLong-L1-32B — плотная языковая модель семейства Qwen2, разработанная Tongyi Lab группы Alibaba. Она дообучена с обучением с подкреплением на основе DeepSeek-R1-Distill-Qwen-32B для рассуждений по длинному контексту и ответов на вопросы по документам. В карточке указаны 32 млрд параметров, поддержка генерации текста и контекст до 131 072 токенов. Модель предназначена для DocQA, включая задачи с математическими, логическими и многошаговыми рассуждениями по длинным документам. Авторы сообщают о проверке на семи бенчмарках и приводят результаты, сопоставимые с Claude-3.7-Sonnet-Thinking; это заявления авторов, а не независимая оценка. Для обработки контекста длиннее 32 768 токенов README рекомендует включать масштабирование YaRN и отмечает, что оно может ухудшать результаты на коротких текстах. Модель распространяется по лицензии Apache-2.0.

bling-red-pajamas-3b-0.1 — англоязычная инструкционная модель llmware на архитектуре GPT-NeoX, дообученная на основе togethercomputer/RedPajama-INCITE-Base-3B-v1 для сценариев RAG. Модель содержит 3,5 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Весы доступны в формате PyTorch; лицензия — Apache 2.0. Модель предназначена для локального запуска, прототипирования и автоматизации задач с конфиденциальными документами, в частности для ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В карточке сообщается результат 92 из 100 на RAG-Instruct-Benchmark-Tester; при этом оценки отдельных типов задач неоднородны, а тесты не гарантируют точность на других данных. Модель специализируется на ограниченном наборе инструкционных задач и не является универсальной системой. Ответы могут быть неточными или неполными, поэтому их следует проверять. Для локального инференса заявлена пригодность для ноутбука без продвинутой квантизации.

GLiNER-PII large v1.0 — модель извлечения именованных сущностей для обнаружения персональных, медицинских и платёжных данных. Её разработали Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который ищет сущности по переданным при запросе типам, а не только по фиксированному набору меток. Модель предназначена для локальной обработки текста и поддерживает распознавание без дообучения под новые типы сущностей; в карточке заявлено более 60 предопределённых категорий PII. Модель подходит для поиска и последующей маскировки чувствительных данных в документах, расшифровках и журналах чатов, а также для сценариев комплаенса и обработки данных на периферийных устройствах. Репозиторий включает форматы PyTorch и ONNX; README описывает квантование и варианты ONNX FP16 и UINT8, но не приводит размер именно версии large. Метаданные указывают английский язык и библиотеку GLiNER. Лицензия — Apache-2.0. Распознавание настраивается списком типов сущностей, что позволяет адаптировать извлечение к конкретным задачам. Приведённые в README численные результаты относятся к другим вариантам семейства, а не к этой модели, поэтому их нельзя считать оценкой качества large v1.0.

K-AX Spartan OSS 27B — открытая по весам языковая модель компании SpartaAX, подразделения TeamSparta, разработанная под руководством архитектора Квон До Хёна. Модель основана на плотной архитектуре Qwen 3.5 и предназначена для генерации текста и диалогов с особым вниманием к корейскому языку. В карточке указаны 27 млрд параметров, контекст до 262 144 токенов и расширенный примерно до 248 тысяч токенов корейский токенизатор. Модель прошла продолжающее предобучение на собственном многоязычном корпусе, адаптацию к корейским предметным областям и многоэтапное выравнивание. Среди целевых областей — корейское право, культура, наука и профессиональные экзамены. Она также заявлена как базовая модель для семейства K-AX Spartan Adapter и совместима с движками vLLM, SGLang и TensorRT-LLM. В метаданных указаны языки корейский и английский, формат весов safetensors и лицензия other; конкретные условия этой лицензии в предоставленных данных не раскрыты. Подробности методов выравнивания и адаптации не опубликованы. Модель может генерировать недостоверные сведения; для юридических и других специализированных ответов нужна проверка.

jphme/Llama-2-13b-chat-german — немецкоязычная чат-модель на основе Llama 2, разработанной Meta и дообученной автором репозитория для ответов на немецком языке. Она предназначена для диалогов, генерации текста и ответов на вопросы; в карточке приведены примеры общих вопросов и извлечения фактов из переданного контекста, а среди датасетов указаны немецкие наборы SQuAD, включая юридический. Модель использует плотную авторегрессионную архитектуру Transformer LlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекст 4096 токенов. Принимает текст и выдаёт текст; в метаданных отмечены немецкий и английский языки. Для чата следует соблюдать формат инструкций Llama 2. Карточка указывает лицензию Meta с пользовательскими условиями, для получения весов требуется принять лицензию.

Qari-OCR-0.2.2.1-VL-2B-Instruct — мультимодальная модель для оптического распознавания арабского текста на изображениях страниц документов. Она разработана в рамках проекта NAMAA и является дообученной версией Qwen2-VL-2B-Instruct на арабском наборе данных OCR объёмом 50 000 записей. Модель предназначена прежде всего для извлечения текста со страниц документов и поддерживает арабский язык. Модель основана на архитектуре Qwen2-VL и относится к классу vision-language моделей с параметрами порядка 2 млрд. Она рассчитана на обработку изображений и генерацию текстового представления документа, включая арабские диакритические знаки ташкиль. В обучении использовались различные размеры шрифта, форматы страниц и набор арабских шрифтов, поэтому модель подходит для документов с разными шрифтами и макетами. Длина контекста и точный перечень поддерживаемых модальностей в README не указаны. Согласно приведённой оценке, модель показала WER 0,221, CER 0,059 и BLEU 0,597 на тестовом наборе, преимущественно содержащем тексты с диакритическими знаками. Ограничения включают возможное снижение качества на очень мелком или крупном тексте, редких шрифтах, сложных многоколоночных макетах, рукописном или декоративном письме, текстурированных фонах, размытых изображениях, а также на вертикально или диагонально ориентированном тексте. Модель распространяется по лицензии Apache-2.0.