IV.8Государственное управление, правосудие и чрезвычайные ситуации

syubraj/TrOCR_Nepali — модель оптического распознавания символов на основе архитектуры VisionEncoderDecoder и семейства TrOCR. Она дообучена для чтения текста на непальском языке, записанного письмом деванагари, и преобразует изображения с текстом в текстовую последовательность. Для обработки изображений используется TrOCRProcessor с извлекателем признаков ViT и токенизатором; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель подходит для распознавания непальского текста на изображениях, например на сканах и фотографиях документов. В карточке не приведены сведения о точности, допустимом качестве изображений или лицензии, поэтому их нельзя оценить по доступным данным.

Это дообученная модель автоматического распознавания речи на основе Whisper Large-v3 Turbo от OpenAI, адаптированная для кхмерского языка. Она преобразует аудио в текст и предназначена для транскрибирования с нормализацией числительных, денежных сумм и дат. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. Она рассчитана на кхмерскую речь, а в качестве лицензии указана MIT. Качество проверялось только на внутренних валидационных и тестовых наборах. Точность может снижаться на длинных аудиозаписях, акцентах вне обучающей выборки и записях с фоновым шумом.

arnabdhar/YOLOv8-nano-aadhar-card — дообученная модель обнаружения объектов на базе YOLOv8 nano, опубликованная пользователем arnabdhar. Она находит на изображениях карт Aadhaar области с номером Aadhaar, датой рождения, полом, именем и адресом, выдавая рамки и метки классов; обнаруженные области текста можно передать следующему этапу для распознавания или извлечения данных. Модель предназначена для автоматизации ввода данных, проверки документов и выявления подделок в сценариях обработки карт Aadhaar. Модель реализована на PyTorch и рассчитана на обработку изображений. В README указано дообучение на наборе данных из Roboflow Universe. Лицензия репозитория — Apache-2.0. Карточка не описывает OCR-распознавание содержимого внутри найденных областей, поэтому для получения текстовых значений может потребоваться отдельный распознаватель.

amad-vlm5 — мультимодальная модель распознавания текста на арабском письме, разработанная компанией Amad Software Solutions из Ирака и дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображение и возвращает его текстовую транскрипцию; предназначена для печатных, рукописных, исторических, сканированных и синтетических материалов, включая книги, рукописи, формы, снимки экрана и заметки. Это плотная vision-language модель семейства Qwen2.5-VL с 7 млрд параметров. Для плотных страниц она может сначала выдавать блок рассуждений, а затем транскрипцию; в приложении следует извлекать текст после последнего маркера </think>. В карточке приведены результаты KITAB-Bench, однако часть изображений пересекается с обучающими данными, а две ошибки с повторяющимся текстом заметно ухудшают CER. Модель предназначена прежде всего для арабского текста; другие языки не оценивались. Лицензия — Apache-2.0.

lift-bf16 — конверсия модели Datalab lift от сообщества mlx-community для запуска на Apple Silicon через mlx-vlm. Это плотная vision-language модель семейства Qwen3.5 с 9 млрд параметров: она принимает PDF или изображения документов и извлекает данные в JSON по заданной схеме. Поддерживаются чатовый интерфейс и структурированный вывод; в сервере MLX-VLM JSON Schema применяется при декодировании, чтобы обеспечить корректный формат и типы полей. Репозиторий содержит веса bf16 в формате MLX и safetensors без квантизации; размер весов около 18 ГБ. Модель подходит, например, для извлечения полей из счетов и разбора документов, где требуется результат по заранее заданной схеме. В README для исходной модели lift приведён результат 90,2% по полям и 20,9% по полному документу на бенчмарке Datalab из 225 документов; это не отдельная оценка данной конверсии. Указанные в README скорость и пиковая память получены на одном тесте извлечения счета и не являются полноценным бенчмарком. Исходные веса выпущены Datalab, а lift-bf16 — неофициальная конверсия сообщества. Указана лицензия OpenRAIL. Для запуска требуется примерно 18 ГБ памяти только под веса; фактическая потребность зависит от окружения и входных данных.

SEOKDONG/llama3.1_korean_v1.1_sft_by_aidx — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная и дообученная методом supervised fine-tuning на корейском наборе инструкций. Она основана на meta-llama/Llama-3.1-8B-Instruct и предназначена для генерации текста и диалоговых ответов с учетом корейского языка, культуры и профессионального контекста. В карточке заявлены около 8 млрд параметров; метаданные указывают 7,5 млрд и контекст до 131 072 токенов. Обучение проводилось на наборе примерно из 2,33 млн примеров для вопросов и ответов, суммаризации и классификации, охватывающем 53 области. Среди целевых сценариев — ответы и краткое изложение материалов по праву, финансам, налогообложению и бухгалтерскому учету, а также образовательные объяснения и клиентские диалоги. Модель ориентирована прежде всего на корейский язык, также заявлена поддержка английского. В README сообщается результат 53,94 и шестое место в целом на Open Ko-LLM Leaderboard Season 2 по состоянию на январь 2025 года. Модель может ошибаться в сложных логических задачах, в узкоспециальных темах, при работе с новыми международными сведениями и на языках, отличных от корейского; возможны смещения из обучающих данных. Метаданные указывают лицензию Apache-2.0, тогда как README также упоминает лицензию сообщества Llama 3.1, поэтому условия распространения базовой модели следует учитывать отдельно.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

jost/multilingual-e5-base-politics-de — дообученная на немецких политических данных модель эмбеддингов предложений на базе multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и Sentence-Transformers, преобразуя предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения немецкоязычных политических текстов, а также для группировки похожих предложений и абзацев. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение векторов, сохраняющих смысловое сходство. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

sahuabinash/slm-125m-finetuned-qa — плотная языковая модель на архитектуре LLaMA с 125,8 млн параметров, дообученная автором на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы с опорой на предоставленный текст в юридических, финансовых и общих сценариях, а также для суммаризации, извлечения сведений и перефразирования. Модель обучена полным дообучением на 7 521 примере в формате диалога; в обучающих данных использовались юридические, финансовые, SEC- и веб-материалы, ответы фильтровались на обоснованность и дедуплицировались. Контекст — 1 024 токена; для запуска указана библиотека Transformers. Модель ориентирована на англоязычные текстовые запросы и генерирует текст. В карточке приведена perplexity 9,13 на задаче вопросов и ответов, но широкие сравнительные оценки качества не представлены. Для получения результатов требуется соблюдать специальный формат токенов базовой модели. Лицензия — Apache-2.0.

Raychani1/slovakbert-ner-v2 — модель распознавания именованных сущностей на словацком языке, разработанная на основе Gerulata/SlovakBERT. Это RoBERTa-модель для классификации токенов, дообученная на собранных из веба словацких новостных статьях; она размечает сущности тегами IOB: PERSON, ORGANIZATION, LOCATION, DATE, TIME, MONEY и PERCENTAGE. Модель принимает текст и возвращает метки для его фрагментов, например для извлечения людей, организаций, мест и денежных сумм из новостей. В README приведены метрики оценки: F1 0,9895 и macro-F1 0,9547. Модель имеет 151,8 млн параметров, контекст до 514 токенов и распространяется в формате PyTorch по лицензии MIT. Обучение на новостных статьях может ограничивать качество на других жанрах и типах текста; опубликованные метрики относятся к указанной оценке.

AfroLlama V1 — языковая модель Jacaranda Health на архитектуре Llama 3 с 8 млрд параметров, основанная на meta-llama/Meta-Llama-3-8B. Она дообучена для понимания и генерации текста на суахили, коса, зулу, йоруба, хауса и английском. Обучение включало продолжение предобучения с LoRA для отдельных языков, объединение языковых чекпойнтов методом TIES и настройку на наборе из примерно 331 400 пар инструкций и ответов. Модель предназначена для ответов на вопросы, диалоговых помощников и других текстовых задач на поддерживаемых языках; её можно дополнительно адаптировать под предметную область. В README приведены возможные сценарии для здравоохранения, сельского хозяйства, права, образования и государственных услуг, но результаты в специализированных областях требуют отдельной проверки. Модель принимает и генерирует текст; метаданные указывают задачу question-answering и формат Safetensors. Лицензия — CC BY-NC-SA 4.0: коммерческое использование и распространение требуют согласования с Jacaranda Health согласно README. Модель может воспроизводить ошибки и смещения, поэтому ответы не следует считать профессиональной рекомендацией; следует соблюдать опубликованные ограничения безопасного использования.

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

Bigheadjoshy/layoutlmv3_document_classification — дообученная Microsoft модель LayoutLMv3-base для классификации документов. Она относится к мультимодальному семейству Transformer для понимания текста, изображений и структуры документов; содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Для классификации использует архитектуру LayoutLMv3ForSequenceClassification. На оценочном наборе указаны accuracy 0,8859 и F1 0,8805. README не раскрывает набор данных, классы, сценарии применения и подробности обучения, поэтому результаты нельзя напрямую переносить на другие коллекции документов. Модель опубликована в формате Safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение на тех же условиях.

MusaNyaks/trocr-barbados-fold3 — дообученная 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 транскрипцию. В README указано значение Loss 0.9763 на оценочном наборе; датасет описан как неизвестный. Модель подходит для распознавания рукописных строк на изображениях в сценариях, связанных с данными, на которых её дообучили. Карточка не раскрывает сведения о составе данных или более широких оценках качества. Лицензия — MIT.

Hukyl разработала TrOCR-Large для распознавания рукописного украинского текста по изображениям отдельных строк. Модель построена на архитектуре VisionEncoderDecoderModel: энкодер ViT-L/16 принимает изображения с разрешением 384 пикселя, а декодер генерирует текст. Размер — около 558 млн параметров. Это дообучение Hukyl/trocr-large-uk-handwritten на реальных рукописях без синтетических данных; модель также подходит как начальная точка для дальнейшей настройки под конкретный почерк или область. Модель предназначена для распознавания заранее выделенных строк, например после обнаружения текста в скане или на странице. В проверке на данных, близких к обучающим, CER составил 0,0249, но на рукописных страницах набора Rukopys без дополнительной настройки CER вырос до 0,1838. Поэтому для архивных сканов и других отличающихся по распределению документов может потребоваться дообучение. Транскрипция может отличаться от оригинала регистром букв и пунктуацией. Лицензия модели — Apache-2.0; при распространении или использовании производных моделей необходимо сохранить атрибуцию набора UkrHandwritten по CC BY-SA 4.0.

Модель Whisper Large, дообученная Карлосом Даниэлем Эрнандесом Меной в Лаборатории языка и голоса Университета Рейкьявика для автоматического распознавания исландской речи. Для обучения использовано около 1000 часов данных, включая речь детей, парламентские выступления и речь изучающих исландский; часть материалов не опубликована. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате PyTorch. Она принимает аудио и генерирует текстовую расшифровку на исландском языке. Лицензия — CC BY 4.0. В README приведён результат оценки 12,325, но метрика и условия тестирования не уточнены.

Flix-AI разработала flix-swissgerman-full — модель распознавания швейцарского немецкого диалекта, дообученную на базе openai/whisper-large-v3. Это полноразмерное дообучение Whisper с 905,2 млн параметров в формате Safetensors. Модель принимает аудио на швейцарском немецком и преобразует речь в грамматически корректный текст на стандартном немецком, сочетая распознавание речи с передачей диалектных форм на стандартном языке. Обучение проводилось на 1 367 часах речи из телеэфира, парламентских выступлений, YouTube и швейцарского кино; охвачены основные диалектные регионы Швейцарии. В оценке указаны WER 25,60% и ошибка по содержанию cWER 13,8%; часть штрафа WER связана с различиями в редакционном стиле и транскрипционных соглашениях. Модель распространяется по лицензии Apache-2.0. Данные обучения вместе с моделью не распространяются; отдельные источники данных использовались на условиях, ограничивающих их применение исследовательскими целями.

atonlee/koelectra-ko-pii-ner — корейская модель распознавания именованных сущностей, разработанная для обнаружения персональных данных в тексте и определения их типа и позиции. Она предназначена для маскирования чувствительных данных и для проверки текста перед передачей во внешний LLM или облачный сервис. Модель различает 29 меток, включая идентификационные номера, паспортные и банковские данные, имена, телефоны, адреса и организации; категории помогают определить, какие сущности следует скрыть. Модель построена на ELECTRA и дообучена для классификации токенов на основе monologg/koelectra-small-v3-discriminator. Метаданные указывают 21,5 млн параметров, контекст до 512 токенов и поддержку корейского языка. Доступны веса Safetensors и ONNX, включая варианты FP16 и INT8 для локального запуска. В оценке на 5 171 размеченном предложении F1 составил 94,2% для совпадения типа сущности и 88,1% для точного совпадения границ; качество может различаться по классам, а неполное совпадение границ способно повлиять на маскирование. Модель распространяется по лицензии Apache-2.0.

LFM2.5-VL-450M-Extract — компактная мультимодальная модель Liquid AI для извлечения заданных пользователем полей из изображений. В запросе задают схему полей в YAML, а модель возвращает объект JSON; также поддерживаются перечисления допустимых значений. Модель построена на архитектуре LFM2-VL с визуальным энкодером SigLIP2 и гибридным свёрточно-внимательным бэкбоном. README указывает 350 млн параметров языковой части и около 100 млн параметров энкодера; в метаданных размер не приведён. Модель предназначена для структурированного извлечения визуальных атрибутов в производственных конвейерах: например, для разметки товарных изображений или обнаружения событий безопасности. Её можно использовать без дообучения либо адаптировать для конкретного домена. В описанном бенчмарке для одиночного изображения, схемы YAML и плоского JSON модель показала 98,9% валидности JSON и 98,8 F1 согласованности схемы. Эти результаты не следует переносить на многокадровые рассуждения и свободные визуальные вопросы. Карточка не сообщает конкретную лицензию: в метаданных указано значение «other».

october-sd/mbart-large-50-finetuned-mr-sum — модель суммаризации на архитектуре mBART-50, разработанная пользователем october-sd и дообученная на базе mBART. Она предназначена для автоматического составления краткого пересказа текста. В README указана оценка Loss 1.9896 на наборе оценки, но сведения о данных обучения и подробные результаты отсутствуют. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия MIT разрешает использование на её условиях.

Watermark-Detection-SigLIP2 — модель prithivMLmods для бинарной классификации изображений: она определяет, есть ли на изображении водяной знак. Модель дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification; файлы опубликованы в формате Safetensors и рассчитаны на работу с библиотекой Transformers. Модель предназначена для автоматической проверки изображений при модерации контента, очистке наборов данных, поиске защищённых авторским правом материалов и цифровой экспертизе. В отчёте карточки для тестовой выборки из 22 762 изображений указана точность 94,27%; полнота для класса изображений с водяным знаком составляет 90,48%. Лучше всего модель работает с чёткими изображениями высокого качества; шумные изображения не рекомендуются для проверки. Модель распространяется по лицензии Apache-2.0.

Модель PereLluis13/wav2vec2-xls-r-300m-ca — версия wav2vec 2.0 XLS-R, дообученная на распознавание каталанской речи. Её подготовил PereLluis13 на основе facebook/wav2vec2-xls-r-300m с использованием данных Common Voice 8.0 для каталанского языка, tv3_parla и parlament_parla. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров, веса представлены в формате PyTorch. Модель принимает аудио и преобразует речь в текст. В README приведён результат оценки WER 0,1499 на тестовых наборах трёх использованных корпусов. Она предназначена прежде всего для распознавания каталанской речи; на диалектах с меньшим объёмом обучающих данных может работать хуже. Также возможны смещения и особенности, унаследованные от краудсорсинговых и парламентских данных. Лицензия — Apache-2.0.

Whisper Small - Libyan Arabic — дообученная Tasneem Sheeha (Tass02) модель OpenAI Whisper Small для автоматического распознавания речи на ливийском диалекте арабского языка. Она основана на Whisper Small и обучена с применением LoRA, после чего адаптер объединён с весами базовой модели, поэтому модель можно запускать без отдельной загрузки адаптера. Репозиторий содержит веса в формате safetensors. Модель предназначена для преобразования аудио на ливийском арабском в текст, например для транскрибирования записей и голосовых сообщений. Для обучения использовалось 5 357 аудиопримеров; в карточке приведены значения тренировочной и валидационной функции потерь. Модель принимает аудио и выдаёт текст. Лицензия — Apache 2.0.

Camel-Doc-OCR-062825 — дообученная PrithivMLmods модель на базе Qwen2.5-VL-7B-Instruct для распознавания и анализа документов. Она принимает изображения и текстовые запросы, извлекает содержимое и структурированные сведения, связывает элементы документа и отвечает на вопросы по его содержимому. Модель ориентирована на работу с таблицами, графиками, математическими выражениями, сложной разметкой страниц, слайдами и мультимодальными материалами; заявлены также понимание видео и визуально управляемое взаимодействие с устройствами. Модель построена на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Базовая модель поддерживает контекст до 128 000 токенов. В карточке заявлена работа с несколькими языками, но отмечена переменная точность для редких языков и письменностей. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. Среди ограничений — снижение качества на нечетких или частично закрытых изображениях, высокие требования к ресурсам и возможные галлюцинации. Длительная обработка видео требует значительной памяти; потоковая работа не оптимизирована.

HunyuanOCR-1.5 — компактная специализированная модель компьютерного зрения и языка для распознавания и обработки текста на изображениях. Карточка описывает её как разработку команды Hunyuan; репозиторий Evan-613/HunyuanOCR содержит веса модели HunyuanOCR-1.5. По метаданным, модель использует плотную архитектуру Hunyuan-VL с 463,5 млн параметров, работает через Transformers и имеет контекстное окно до 131 072 токенов. Модель предназначена для разбора документов, обнаружения и распознавания текста на изображениях, извлечения информации и перевода текста с изображений. README также указывает на поддержку OCR для редких и древних письменностей и вопросов по нескольким изображениям. Веса доступны в формате safetensors; для развёртывания описаны Transformers, vLLM и конвертация в GGUF для llama.cpp. README указывает лицензию как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

dots.mocr-GGUF — это GGUF-сборка мультимодальной OCR-модели dots.mocr, разработанной rednote-hilab и основанной на dots-studio/dots.mocr. Модель предназначена для анализа изображений документов, распознавания текста, определения структуры и компоновки страниц, извлечения таблиц и формул, обработки веб-страниц, поиска текста на сценах и визуального ответа на вопросы. Она также поддерживает структурированный вывод JSON с ограничивающими рамками и категориями элементов макета. Модель построена на vision-language основе примерно с 3 млрд параметров и объединяет обнаружение макета, распознавание содержимого, семантическое понимание, grounding, разбор структурированной графики и интерактивный диалог. Поддерживается более 100 языков, включая английский и китайский, а также многоязычные документы. Для диаграмм, пользовательских интерфейсов, научных иллюстраций, химических формул и логотипов предусмотрена генерация SVG; для этой задачи упоминается специализированная модель dots.mocr-svg. Доступны варианты GGUF с точностью от BF16/F16 до различных уровней квантования размером примерно от 861 МБ до 3,56 ГБ, а также мультимодальные проекторы. Запуск заявлен через llama.cpp, HuggingFace Transformers и vLLM. К сильным сторонам относятся широкий набор задач в одной модели, многоязычность, работа с разными типами документов и высокая заявленная результативность на OmniDocBench, olmOCR-bench и XDocParse для своего класса. Ограничения включают зависимость качества от варианта квантования и вычислительных ресурсов, а также отсутствие в README подробностей о точном размере контекста, требованиях к памяти и отдельных характеристиках архитектуры. Модель распространяется по лицензии MIT.

DRAGON-QWEN-7B — модель серии dRAGon от llmware, дообученная для ответов на вопросы по сложным деловым и юридическим документам. Она основана на Qwen2-7B-Base и использует архитектуру Qwen2 с плотной causal language model на 7,1 млрд параметров; принимает текст и генерирует текст. Модель предназначена для RAG-сценариев: ответов по предоставленному контексту, извлечения пар ключ-значение и краткого суммирования. В карточке заявлены английский язык и контекст до 131 072 токенов. Разработчик сообщает о настройке на фактические ответы, снижении галлюцинаций и пригодности к автоматизации рабочих процессов; в одном тестовом прогоне квантованной версии GGUF указаны 99 правильных ответов из 100. Это результат отдельного теста разработчика, а не гарантия качества в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

dots.ocr-1.5 — мультимодальная модель для распознавания текста и разбора документов, опубликованная под идентификатором MdMonsur/dots.ocr-1.5. В README описана архитектура из визуального энкодера на 1,2 млрд параметров и языковой модели на 1,7 млрд параметров; метаданные указывают 1,5 млрд параметров, архитектуру dots_ocr и контекст 131072 токена. Модель принимает изображения документов и веб-экранов, извлекает текст и структуру, включая расположение элементов, таблицы и формулы. Она также распознаёт текст на изображениях и объектах, отвечает на вопросы по изображениям и преобразует диаграммы, графики и другие структурированные визуальные элементы в SVG-код. README заявляет поддержку широкого набора письменностей; метаданные отмечают английский, китайский и многоязычный режимы. Модель подходит для автоматизации оцифровки документов, веб-страниц и визуальных материалов. README отмечает, что сложные таблицы и формулы остаются трудными, разбор графики в SVG может быть нестабильным, а ошибки парсинга всё ещё возможны. Лицензия — MIT.

dragon-deci-6b-v0 — модель серии dRAGon от llmware, дообученная для ответов на вопросы по контексту документов. Она предназначена для RAG-сценариев в корпоративных процессах, особенно при работе со сложными деловыми, юридическими и нормативными материалами. Основные задачи — ответы на вопросы, извлечение пар «ключ—значение» и краткое суммирование с опорой на предоставленный текст; модель рассчитана на короткие, ясные ответы и снижение галлюцинаций. Модель построена на Deci-6B, использует архитектуру DeciLMForCausalLM и содержит 6,6 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст до 4096 токенов. В описанном тестировании RAG-Instruct-Benchmark-Tester получила 94,25 балла из 100; результаты отдельных прогонов не гарантируют точность на других данных. Лицензия — Llama 2 Community License. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки.

Nemotron ColEmbed V2 — мультимодальная модель эмбеддингов NVIDIA для поиска по визуальным документам. Она дообучена на базе Qwen3-VL-4B-Instruct и использует трансформерную архитектуру с визуальным энкодером SigLIP-2, модулем объединения зрения и языка и языковой моделью. В модели около 4,8 млрд параметров. Модель принимает текстовые запросы и изображения страниц документов, включая таблицы, диаграммы и инфографику, и строит многовекторные представления в стиле ColBERT: для каждого токена выдаётся вектор размерности 2560. Она предназначена для поиска по документам и мультимодальных RAG-систем; в README указано третье место в бенчмарке ViDoRe V3 на момент публикации результатов. В README заявлена поддержка многоязычных данных и контекст до 10 240 токенов в проведённых оценках. Обработка изображений разбивает их на плитки, для описанной конфигурации используется до восьми плиток и миниатюра. Для запуска требуются Transformers версии 4.57.2 или выше и Flash Attention; модель оптимизирована для GPU NVIDIA. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими и исследовательскими сценариями.