IV.8Государственное управление, правосудие и чрезвычайные ситуации

SummLlama3.1-8B — языковая модель для суммаризации текстов, разработанная DISLab на основе Llama 3.1 8B Instruct. Модель дообучена методом Direct Preference Optimization (DPO) на более чем 100 тысячах примеров обратной связи о качестве суммаризации, сгенерированной большими языковыми моделями. Она предназначена для создания кратких сводок по документам и диалогам из разных областей: новостей, повседневной жизни, отчетов, медицинских текстов, интервью и встреч. Авторы ориентировали обучение на точность передачи исходных сведений, полноту ключевых пунктов и краткость. Для суммаризации рекомендуется использовать шаблон запроса из карточки модели. Модель принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — до 131 072 токенов. Метаданные указывают поддержку диалогового режима и интерфейса вызова инструментов, хотя основное назначение модели — суммаризация. Авторы сообщают об улучшении оценок качества относительно базовых моделей Llama в своих человеческих и автоматизированных оценках. Это результаты оценок авторов, а качество конкретных сводок всё равно следует проверять, особенно для медицинских материалов. Модель основана на meta-llama/Llama-3.1-8B-Instruct; сведения о лицензии в предоставленных данных отсутствуют.

Sunflower-14B — многоязычная языковая модель Sunbird AI для перевода и генерации текста на 31 языке Уганды и английском. Это авторегрессионная модель на архитектуре Qwen3-14B с 14 млрд параметров, дообученная для диалогов и следования инструкциям; в этой версии также применён этап оптимизации GRPO. Модель предназначена для перевода между английским и языками Уганды, а также между самими языками Уганды. Она может отвечать на фактические вопросы, создавать и обобщать тексты, объяснять информацию и поддерживать образовательные сценарии. Разработчик сообщает об улучшениях точности перевода, качества ответов и следования инструкциям после GRPO-дообучения. Качество зависит от языка и объёма доступных обучающих данных; на малоресурсных языках ответы могут быть непоследовательными, а в узкоспециализированных областях возможны ошибки и выдуманные факты. Для медицинского, юридического и финансового применения рекомендуется проверка человеком. Модель распространяется по лицензии Apache-2.0; для использования в производстве также доступен API Sunbird AI.

SunflowerASR-51-african-languages — модель распознавания речи от Sunbird AI, адаптация Whisper large-v3 для 51 широко используемого в Африке языка, включая английский и французский с африканскими акцентами. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для транскрибации аудио: мониторинга СМИ, анализа звонков и отзывов граждан, голосовых интерфейсов и использования в конвейерах перевода речи. Обучение включало дообучение всех параметров на 7 412 часах африканской речи и этап GRPO, оптимизирующий частоту ошибок символов. Авторы сообщают о сильных результатах на трёх бенчмарках, однако качество заметно различается между языками. Для каждого аудиофрагмента язык нужно задать при декодировании — автоматического определения языка нет. Модель не переводит, не выдаёт временные метки или метки говорящих. Фрагменты длиннее 30 секунд необходимо разбивать. На шумной, спонтанной, перекрывающейся или смешанной по языкам речи точность может снижаться; результаты транскрибации для важных решений требуют проверки человеком.

TR-OCR Large AR/EN Handwritten — модель распознавания рукописного текста на изображениях, созданная David Magdy и Ahmed Wahdan на основе Microsoft TrOCR Large. Она дообучена на наборах Khatt и IAM для чтения арабского и английского текста в документах и преобразования его в текст. Модель использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста, а не для анализа изображений общего назначения. Репозиторий содержит веса в формате safetensors; для загрузки указана библиотека Transformers. Лицензия — Apache-2.0.

Walnoot 8B Instruct — нидерландская языковая модель компании WAINUT, версия 1.0, построенная на базе Apertus-8B-2509. Модель дообучена на нидерландских текстах и инструкциях: карточка описывает продолженное предобучение, обучение следованию инструкциям и доработку с обратной связью. В метаданных указаны плотная архитектура ApertusForCausalLM, 10,3 млрд параметров, контекст до 65 536 токенов и поддержка чата. Модель предназначена для работы с нидерландскими деловыми и юридическими текстами: ответов на вопросы по переданному документу, извлечения сведений, классификации и подготовки стандартных текстов. Она также может составлять черновики кратких изложений, которые следует проверить. Это не поисковая система и не база фактов. Выпущена по лицензии Apache 2.0.

Methystorn выпустил дообученную версию OpenAI Whisper Large-v3 для автоматического распознавания речи на кхмерском языке. Модель принимает аудио и преобразует речь в текст; она рассчитана на сценарии, где важна нормализация числительных, денежных сумм и дат. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров. В репозитории представлены веса safetensors, лицензия — MIT. Разработчик указывает кхмерский язык (km-KH); сведений о длине контекста нет.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

EVIE-Preview-4.5B — мультимодальная модель для поиска информации в визуальных документах, разработанная Tencent и представленная как предварительная версия EVIE. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру ColQwen3_5: визуально-языковая основа с линейным и полным вниманием формирует контекстные представления токенов, которые проецируются в векторы размерности 128. Для поиска применяется позднее взаимодействие MaxSim между токенами запроса и визуальными токенами страниц. Модель кодирует запросы и страницы документов для мультиязычного поиска по графикам, таблицам, научным отчётам, финансовой отчётности и сканированным формам. В README указано 4,54 млрд параметров; модель распространяется в формате safetensors, а карточка заявляет лицензию Apache-2.0. На ViDoRe V3 и ViDoRe V1+V2 представлены результаты бенчмарков, включая первое место в таблицах сравнения README. Поддерживаются запросы на английском, французском, немецком, итальянском, испанском, португальском и китайском языках; среди документов также упоминаются страницы на японском. Это предварительный чекпойнт: README рекомендует вместо него более новые модели EVIE. Для индексации он формирует много токен-векторов на страницу, поэтому объём индекса может быть значительным; приведённая оценка для 1 млн страниц при 1792 токенах на страницу — 420,5 ГиБ в BF16.

GOT-OCR 2.0 — мультимодальная модель для распознавания текста в изображениях, представленная командой авторов, перечисленных в карточке проекта General OCR Theory. Она реализует подход OCR-2.0 как единую сквозную модель и предназначена для извлечения текста из изображений; в метаданных также указана поддержка задач генерации текста и image-text-to-text. Модель использует плотную архитектуру GOTQwenForCausalLM и содержит 463,8 млн параметров. Она принимает изображения и выдаёт текст; карточка заявляет мультиязычную поддержку. Для запуска README приводит пример инференса через Hugging Face Transformers на GPU NVIDIA. В метаданных указан контекст 32 768 токенов, хотя его практическая роль для OCR в README не раскрыта. Модель опубликована под лицензией Apache-2.0. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и форматах OCR, поэтому применимость к конкретным языкам и типам документов следует оценивать отдельно.

nougatCharJawiAHR — дообученная модель bustamiyusoef для преобразования изображений в текст. Она основана на bustamiyusoef/_base_nougat_JawiChar и использует архитектуру vision-encoder-decoder; в репозитории доступны веса safetensors. Модель предназначена для задач, где нужно получить текст из изображения. В README приведено значение Loss 2.0337 на оценочном наборе, но описание набора данных и подробности обучения отсутствуют. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи. Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

cyttic/trocr-bigram4-BY-50k — дообученная модель cyttic/exp2-frozen-benyehuda-cont с архитектурой vision-encoder-decoder. Она предназначена для преобразования изображений в текст; вероятный сценарий применения — распознавание текста на изображениях. В репозитории веса в формате safetensors, модель использует библиотеку Transformers. В карточке приведены результаты оценки: loss 1.2304, CER 0.0891 и WER 0.2221. Датасет обучения не раскрыт, а описание модели и её ограничений не заполнено. Лицензия и поддерживаемые языки в доступных данных не указаны.

TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

TrOCR large handwritten — модель распознавания рукописного текста, разработанная Microsoft и дообученная на наборе IAM. Она предназначена для OCR отдельных строк текста на изображениях. Модель использует архитектуру encoder-decoder: Transformer на основе изображений кодирует визуальные патчи размером 16×16, а текстовый Transformer авторегрессионно генерирует распознанные токены. Визуальный энкодер инициализирован весами BEiT, текстовый декодер — RoBERTa. Модель выпущена в формате PyTorch. Подходит для преобразования изображений рукописных строк в текст. Карточка не приводит показатели качества и не описывает обработку целых страниц или смешанных печатных и рукописных документов. Лицензия в предоставленных данных не указана.

pawan2411/address-emnet — дообученная модель Sentence Transformers на базе pawan2411/address_net для создания векторных представлений адресов. Она использует архитектуру MPNet с усреднением токенных представлений; размер модели составляет 136,7 млн параметров, размерность эмбеддингов — 768, а максимальная длина последовательности — 512 токенов по README и 514 нативных токенов по метаданным. Сходство адресов оценивается косинусной мерой. Модель предназначена для сопоставления адресов, удаления дубликатов и унификации записей, различающихся форматом или написанием. Её можно применять для поиска похожих адресов и построения конвейеров очистки адресных данных. README не сообщает поддерживаемые языки или конкретные регионы адресации; качество за пределами описанных сценариев не установлено. Используется библиотека Sentence Transformers, веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

AZOCR — модель оптического распознавания символов для документов на азербайджанском языке, созданная на основе GLM-OCR. Модель дообучена методом LoRA на 6 699 примерах страниц в течение двух эпох. Она принимает изображения документов и преобразует их содержимое в текст. Модель предназначена для распознавания азербайджанского текста в документах; репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает метрики качества, поэтому точность распознавания для разных типов документов оценить по имеющимся сведениям нельзя.

Donut base — модель семейства Donut, представленная командой NAVER CLOVA в работе «OCR-free Document Understanding Transformer». Это дообученная на RVL-CDIP модель архитектуры vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение документа, а декодер BART авторегрессионно формирует текстовый результат. Модель предназначена для понимания изображений документов и дообучена на задаче классификации документов RVL-CDIP. Её можно применять для извлечения текстового представления из изображения документа и сценариев классификации документов. Поддерживается обработка изображений с генерацией текста; модель рассчитана на англоязычный набор RVL-CDIP. Модель распространяется в формате PyTorch по лицензии MIT. Карточка указывает дообучение на RVL-CDIP, однако не приводит подробных оценок качества или ограничений за пределами этого набора данных.

EraX-VL-2B-V1.5 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group на основе Qwen/Qwen2-VL-2B-Instruct. Модель дообучена для распознавания текста и ответов на вопросы по изображениям, особенно на вьетнамском языке; поддерживает также английский и китайский. Она предназначена для работы с документами, включая удостоверения личности, водительские права, свидетельства о рождении, счета и медицинские записи, а также для диалоговых запросов по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявлен контекст до 32 768 токенов, а также поддержка многошаговых вопросов и ответов. Это мультимодальная языковая модель, поэтому для извлечения данных результат зависит от точности формулировки запроса; модель не является специализированным OCR-движком. Авторы отмечают, что она не обучалась на рентгеновских снимках или данных об автомобильных авариях. Лицензия — Apache 2.0.

Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

NVIDIA Nemotron 3.5 ASR — мультиязычная потоковая модель автоматического распознавания речи примерно на 600 млн параметров. Она построена на архитектуре FastConformer с поддержкой кэширования и RNNT, использует библиотеку NeMo и предназначена для транскрибации аудио в текст с низкой задержкой, включая работу с несколькими одновременными потоками. Модель является развитием англоязычной nvidia/nemotron-speech-streaming-en-0.6b и поддерживает языковую идентификацию через условное промптирование. Модель заявлена для 40 языковых локалей и поддерживает английский, испанский, немецкий, французский, итальянский, арабский, японский, корейский, португальский, русский, хинди, китайский, вьетнамский, иврит, нидерландский, чешский, датский, польский, норвежский, шведский, тайский, турецкий, болгарский, греческий, эстонский, финский, хорватский, венгерский, литовский, латышский, румынский, словацкий, украинский, мальтийский и словенский. Это делает её подходящей для многоязычных сервисов расшифровки речи, субтитров и обработки аудиопотоков. В README приведены значения WER на тестах FLEURS для ряда языков, однако показатели зависят от языка и условий записи. К сильным сторонам относятся потоковая обработка, кэш-ориентированная архитектура, многоязычность и возможность автоматического определения языка. Ограничения включают специализацию на распознавании речи, зависимость качества от языка и акустических условий, а также отсутствие в предоставленных данных сведений о максимальном контексте и дополнительных модальностях. Модель распространяется по лицензии OpenMDW-1.1.

Модель gbull25/qwen3-vl-russian-handwriting — дообученная gbull25 мультимодальная модель семейства Qwen3-VL для работы с изображениями и текстом. Она основана на unsloth/qwen3-vl-4b-instruct-unsloth-bnb-4bit и предназначена для распознавания и интерпретации рукописного текста на изображениях с ответом в текстовом формате. Архитектура — Qwen3VLForConditionalGeneration; модель использует формат safetensors и поддерживает диалоговый интерфейс и обработку изображений. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества, поэтому точность распознавания рукописей нельзя определить по доступным сведениям.

Sophea-Nemo-Reranker — кросс-энкодерный реранкер Kiefer SA для переоценки релевантности документов запросу на греческом и английском языках. Модель дообучена на базе nvidia/llama-nemotron-rerank-1b-v2 и использует двунаправленную архитектуру LlamaBidirectionalForSequenceClassification с одним логитом релевантности. Размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов; формат весов — safetensors. Модель предназначена для второго этапа двухэтапного поиска: после первичного отбора кандидатов, например эмбеддером Sophea-Nemo-Embedding, она переупорядочивает фрагменты по соответствию запросу. README описывает применение в греческом RAG и сообщает об улучшении nDCG@10 на пяти тестовых доменах относительно базовой модели. Наибольшая польза отмечена для сложных случаев, включая медицинские и финансовые запросы; на уже сильных результатах эмбеддера дополнительное ранжирование может давать небольшой выигрыш или ухудшать качество. Для подачи данных используется последовательность с шаблоном «question:{q} passage:{p}». README указывает на необходимость trust_remote_code при использовании Transformers. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.

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.

trocr-barbados-fold1 — дообученная MusaNyaks модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую последовательность. В README указана оценка Loss 0.8971 на тестовой выборке; набор данных не описан. Модель подходит для распознавания рукописных записей в сценариях, соответствующих обучающим данным, однако их состав и качество модели в конкретных условиях по карточке оценить нельзя. Репозиторий распространяется по лицензии MIT.

AI-vs-Deepfake-vs-Real-v2.0 — модель классификации изображений от prithivMLmods, дообученная на визуальном энкодере Google SigLIP 2 Base Patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: сгенерированное ИИ, дипфейк или подлинная фотография. Модель предназначена для проверки подлинности изображений, анализа медиаконтента и поддержки цифровой экспертизы. Прикладные сценарии включают фильтрацию изображений в новостных и социальных сервисах и предварительную проверку материалов для фактчекинга. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

solvi-ai/extract-base — англоязычная модель извлечения полей из документов, разработанная Solvi. По документу и обычному текстовому описанию нужного поля модель находит соответствующий фрагмент, оценивает уверенность или сообщает, что поле отсутствует. Она предназначена для извлечения дат, сумм, имён и договорных условий, а также для дообучения на размеченных документах конкретной организации. В основе — ModernBERT-large с линейной головой предсказания начала и конца фрагмента; модель содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Длинные документы обрабатываются перекрывающимися окнами по 1024 токена. Обучение проводилось на примерах SQuAD 2.0, CUAD и CORD v2; доступны веса Safetensors и экспорт ONNX. README приводит результаты на договорах, чеках и наборах вопросов и ответов, но отмечает заметные ограничения при извлечении невиданных полей без примеров. Модель лучше подходит как начальная точка для последующего дообучения: для производственного применения автор рекомендует разметить примерно 25–100 документов и настроить пороги на отложенных данных. Она поддерживает только английский язык; другие типы документов не проверялись, а оценки уверенности не являются калиброванными вероятностями. Лицензия — Apache-2.0.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов. Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Pathumma Vision 3.0.0-Re — мультимодальная модель NECTEC для распознавания тайского текста на изображениях и анализа документов. Она дообучена на основе Qwen3-VL-2B-Instruct на 377 тысячах примеров OCR с акцентом на тайский язык, сложные документы и текст в реальных сценах. Архитектура — плотная Qwen3-VL с обработкой изображений и генерацией текста; модель рассчитана на работу через Transformers и обучалась с применением Quantization-Aware Training для более эффективного развёртывания. Модель предназначена для извлечения текста из документов и фотографий, распознавания рукописного и сценического текста, а также понимания тайских документов. В сравнении на ThaiOCRBench показаны результаты по распознаванию текста, разбору документов и связанным визуальным задачам. Лицензия — Apache-2.0. Карточка не приводит ограничений по размеру контекста; результаты на других языках и типах изображений не заявлены.

kazars24 выпустил русскоязычную дообученную версию TrOCR base для распознавания рукописного текста на изображениях. Модель предназначена для OCR рукописных строк и фрагментов текста на русском языке. Это encoder-decoder архитектура Vision Transformer: BEiT-инициализированный визуальный энкодер разбивает изображение на патчи 16×16, а декодер на основе Transformer авторегрессионно генерирует текст. Модель дообучена на Cyrillic Handwriting Dataset, содержащем русские рукописные фрагменты; в README указаны CER 0,048542 и validation loss 0,120961. Модель основана на microsoft/trocr-base-handwritten и распространяется в формате safetensors для библиотеки Transformers. Подходит для распознавания рукописных строк и фрагментов; качество может зависеть от разборчивости почерка и отличий изображений от обучающих данных. Сведения о лицензии в предоставленных материалах отсутствуют.