IV.9Медиа, журналистика, культура, архивы и игры

NeuralsirkrishnaShadow_Experiment26Pastiche — языковая модель семейства Mistral, созданная слиянием чекпойнтов automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Pastiche-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текстов, а также генерации ответов по длинным запросам. Данные карточки не описывают её специализацию или языковой охват, поэтому применение следует считать общим. Модель распространяется в формате safetensors по лицензии Apache-2.0.

QARI-OCR v0.3 — специализированная мультимодальная модель NAMAA-Space для распознавания арабского текста на изображениях документов и сохранения их структуры. Она дообучена на основе Qwen2-VL-2B-Instruct; архитектура — Qwen2-VL, размер — 1,5 млрд параметров. Модель принимает изображения и текстовые запросы, а распознанный текст может сохранять структуру документа с помощью тегов HTML или Markdown. Модель предназначена для OCR документов с заголовками, основным текстом и сложной версткой. В карточке отмечены поддержка огласовок и работа с 12 арабскими шрифтами, а также начальные возможности распознавания рукописного текста и устойчивость к изображениям низкого разрешения и ухудшенного качества. По данным README, CER составляет 0,300, WER — 0,485, BLEU — 0,545; для версии v0.2 указана более высокая точность распознавания обычного текста. Модель обрабатывает арабский язык, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Marscen/roberta-base-squad2-finetuned-squad2 — модель RobertaForQuestionAnswering на базе RoBERTa с 151,8 млн параметров, дообученная на датасете SQuAD v2. Она предназначена для извлечения ответа на вопрос из предоставленного текста, включая возможность не находить ответ, если его нет в контексте. При оценке на тестовой выборке указано значение Loss 0,8815. Модель принимает вопрос и текстовый контекст и выдаёт текстовый ответ; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

SkyworkVL-2B — мультимодальная модель компьютерного зрения и языка, разработанная командой Skywork на базе OpenGVLab/InternVL2_5-2B и дообученная на 2 млн примеров с подписями к изображениям и вопросами и ответами. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в карточке заявлены многоэтапное обучение с учителем и дополнительное обучение рассуждениям на 40 тыс. примеров, включая китайские задания Gaokao. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, анализа диаграмм и научных графиков, распознавания текста на изображениях и определения объектов с рамками. Для обработки изображений применяется разбиение на фрагменты с учётом соотношения сторон и несколько разрешений. В сравнении, приведённом в README, модель показывает сильные результаты на MathVista, MMMU, AI2D, OCRBench, RealWorldQA и HallusionBench, хотя на MME уступает базовой InternVL2.5-2B. Доступны веса в формате safetensors; лицензия — Apache-2.0.

Это визуальный энкодер SigLIP из библиотеки timm: модель преобразует изображения в признаки и векторы представления. Она основана на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя; используется вариант вебли-обучения WebLI с исходным attention pooling. Модель предназначена для извлечения визуальных признаков, которые можно использовать в поиске по изображениям, сравнении изображений и других системах, работающих с визуальными представлениями. Репозиторий содержит только энкодер изображений. Лицензия — Apache 2.0. Данные не описывают поддержку текстового ввода или мультимодального сопоставления напрямую; доступные сведения подтверждают задачу извлечения признаков изображений.

Это визуальный энкодер SigLIP из библиотеки timm, разработанный для извлечения признаков изображений. Модель использует архитектуру ViT-Large с патчами 16×16 и входным разрешением 256 пикселей; в карточке указано, что сохранён оригинальный механизм attention pooling. Это только image encoder, без текстового энкодера. Векторы признаков можно использовать для поиска изображений по сходству, кластеризации и как входные представления для последующих моделей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

Walter-SOLAR-11B — текстовая генеративная модель-ассистент Knut Jaegersberg на архитектуре Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Модель дообучена на инструкционных наборах данных с открытыми лицензиями; автор сообщает, что около двух третей примеров взяты из крупных наборов, включая FLAN, а также использован датасет KnutJaegersberg/Auton. Модель предназначена для широкого круга задач по инструкциям: ответы на вопросы, рассуждения, суммаризация и написание текстов. В карточке приведены примеры работы с русским текстом, включая выбор неподходящей метки эмоции. Автор характеризует модель как свободно рассуждающего ассистента без выравнивания; результаты бенчмарков в README включают среднюю оценку 55,95, 60,41 на AI2 Reasoning Challenge и 84,86 на HellaSwag. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит полной оценки качества по задачам, поэтому результаты на конкретных сценариях следует проверять отдельно.

Phonepadith дообучил модель Whisper для автоматического распознавания речи на лаосском языке. Модель принимает аудио и преобразует его в текст; она предназначена для транскрибации лаосской речи, голосового управления, создания субтитров и расшифровок, языковых приложений и лингвистических исследований. В карточке указана архитектура Whisper, а в метаданных — 905,2 млн параметров и формат safetensors. README называет базой Whisper Large V3 Turbo, тогда как метаданные связывают модель с openai/whisper-large-v3; поэтому точную базовую версию следует считать неоднозначной. Для распознавания речи модель дообучена на наборе Phonepadith/laos-speech-dataset. Лицензия указана как other. Модель может хуже распознавать смешение лаосского и английского, шумную речь и сильные диалектные акценты; токенизатор Whisper иногда нормализует тоновые знаки и пробелы в лаосском тексте.

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.

CAG-7b — плотная языковая модель семейства Llama, разработанная для генерации ответов с учётом достоверности сведений в контексте. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекст до 4096 токенов; карточка описывает её как 7B-модель. В метаданных указаны английский язык и архитектура LlamaForCausalLM. Модель предназначена для ответов на вопросы по документам, в том числе содержащим шумные или противоречивые сведения. Заявленные сценарии включают персонализированную генерацию ответов и разрешение конфликтов знаний; оценивание проводилось для вопросов по открытым, актуальным и загрязнённым дезинформацией данным. Модель распространяется по лицензии MIT. Ключевая особенность CAG — настройка на использование сигналов достоверности из контекста при генерации. Результаты и устойчивость могут зависеть от качества и состава входных документов; указанное контекстное окно ограничено 4096 токенами.

Conflibert-named-entity-recognition — модель на архитектуре BERT, разработанная на основе ConfliBERT и дообученная для распознавания и классификации именованных сущностей в тексте. Она выделяет, в частности, людей, организации, географические названия, выражения времени и денежные значения. Модель предназначена для извлечения сущностей из текстовых материалов, в том числе для подготовки данных к анализу политических конфликтов и насилия. Размер составляет 136,3 млн параметров, максимальная длина контекста — 512 токенов; веса опубликованы в формате safetensors. Лицензия — GPL-3.0.

convnext_base.clip_laion2b — модель семейства ConvNeXt, опубликованная командой timm. Это только визуальный энкодер из CLIP, обученного на данных LAION-2B; он преобразует изображения в векторные признаки для поиска и других задач компьютерного зрения. Модель доступна в форматах PyTorch и safetensors, лицензия — Apache-2.0. Энкодер можно использовать для извлечения признаков изображений и построения систем визуального поиска или последующей классификации. Карточка не описывает текстовый энкодер CLIP, размеры модели, поддерживаемые языки или длину контекста; модель принимает изображения и выдаёт векторы признаков.

Experiment26Yamshadow_Experiment27Pastiche — объединённая модель, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment27Pastiche-7B. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Модель принимает текст и поддерживает контекст длиной до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache 2.0. В README нет описания специальных предметных областей или языковых возможностей.

flammen3X — объединённая текстовая модель на архитектуре Mistral, созданная flammenai с помощью mergekit методом SLERP из flammen3 и Maidphin-Kunoichi-7B. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии; максимальный контекст составляет 32 768 токенов. Веса объединены в формате safetensors и представлены в bfloat16. Карточка не описывает отдельную специализацию по предметной области или языкам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Hipotalamus-7B-slerp — слитая модель генерации текста, созданная Kukedlc с помощью LazyMergekit на основе Mistral-7B-v0.1 и моделей NeuralMaxime-7B-slerp, NeuralMarioMonarch-7B-slerp и Neural4gsm8k. Для объединения применён метод dare_ties; веса сохранены в формате safetensors, размер модели — 7,1 млрд параметров. Модель предназначена для генерации текста и общих языковых задач. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0.

ING_2003M2_SLERP — объединённая модель для генерации текста, собранная автором MatthieuJ методом SLERP с помощью mergekit из yam-peleg/Experiment21-7B и MatthieuJ/ING_2003_SLERP. Веса представлены в формате safetensors; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. Карточка не уточняет специализацию, языковую ориентацию или результаты оценки качества. Лицензия — Apache-2.0.

useful-quants/LFM2.5-VL-3B-NVFP4-FP8-Mixed — мультимодальная версия LFM2.5-VL-3B, разработанная Liquid AI и опубликованная useful-quants. Модель предназначена для задач image-text-to-text, включая визуальные вопросы и ответы, OCR счетов и документов, а также рассуждения по изображениям с высоким разрешением. Заявлена оптимизация для обслуживания на видеокартах NVIDIA GeForce RTX 50-й серии с архитектурой Blackwell SM120. Модель использует гибридную архитектуру с 30 слоями декодера: 8 полносвязных attention-слоев и 22 слоями с короткими свертками. Веса feed-forward MLP декодера квантизированы в NVFP4, линейные слои attention и MLP зрительной башни SigLIP2 — в FP8, а короткие свертки, vision attention, patch embeddings, мультимодальный проектор, embeddings и LM head сохранены в BF16. Размер базовой модели — 3B параметров; заявлены поддержка изображений и текста, а также языков Arabic, Chinese, English, French, German, Hindi, Indonesian, Italian, Japanese, Korean, Polish, Portuguese, Russian, Spanish, Thai и Vietnamese. Квантованный checkpoint занимает около 2,84 GiB. Ключевые преимущества варианта — снижение потребления памяти, увеличение доступного пространства под KV-cache и высокая задержка-ориентированная производительность для задач с одним изображением. В тестах на RTX 5060 Ti 16GB он достигал примерно двукратной пропускной способности относительно BF16-версии и показывал 126,71 tok/s для VQA и 130,66 tok/s для OCR. Ограничение состоит в аппаратной и программной специфичности: результаты относятся к NVIDIA SM120 и рекомендованному контейнерному окружению с vLLM 0.26.0 и FlashInfer 0.6.14; запуск с параметром --enforce-eager существенно снижает производительность. Лицензия указана как lfm1.0, тип лицензии — other.

Sethuiyer выпустил экспериментальную инструктивную донастройку Llama 3.1 8B, предназначенную для генерации текста и диалога. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров, работает с контекстом до 131 072 токенов и распространяется в формате safetensors. Карточка сообщает о результатах на задачах логического и булева рассуждения, следования инструкциям, устранения неоднозначности и причинного анализа, а также об отдельных узкоспециализированных знаниях. Модель может быть полезна для диалогов, анализа длинных документов и многошаговых текстовых задач. Оценки приведены на Open LLM Leaderboard; они не гарантируют качество на других задачах. Лицензия в предоставленных данных не указана.

MaxMin-RLHF на TL;DR — диалоговая языковая модель на архитектуре Llama, дообученная методом MaxMin-RLHF на базе meta-llama/Llama-3.1-8B-Instruct. Разработчик применил алгоритм из работы Chakraborty et al. (ICML 2024): три чередующихся раунда по 100 обновлений, в каждом оптимизировалась цель с наименьшей стандартизованной относительно базовой политики полезностью. Обучение использовало датасет TL;DR и четыре цели: полноту, фактическую точность, краткость и полезность. Модель предназначена для генерации текста и ответов в диалоге, в частности для создания кратких, содержательных и точных резюме. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и библиотека Transformers. Модель принимает текст и генерирует текст; языки, на которых она специально обучалась в этой версии, отдельно не уточнены. Это экспериментальный исследовательский чекпойнт для оценки многоцелевого согласования, а не самостоятельное подтверждение качества для любых сценариев. Результаты в README описаны как сравнение с базовой моделью на отложенных промптах TL;DR, оценённых Llama-3.3-70B-Instruct. Лицензия — Llama 3.1; применяются её условия использования.

M7Yamshadowexperiment28_Experiment26Strangemerges_32 — объединённая текстовая модель семейства Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Strangemerges_32-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; веса представлены в формате safetensors. Карточка не описывает специализацию по языкам или предметным областям, поэтому модель можно рассматривать как универсальную генеративную модель. Лицензия — Apache-2.0.

Marco-Mini-Base — компактная разреженная мультиязычная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, следование инструкциям и использование интерфейса вызова инструментов. Модель построена на декодерном Transformer с разреженными слоями Mixture-of-Experts и архитектурой Qwen3 MoE. В README указаны 17,3 млрд параметров всего и 0,86 млрд активируемых на токен; метаданные Hugging Face указывают 507,9 млн параметров, поэтому размер модели в источниках расходится. Контекст составляет 32 768 токенов. Модель поддерживает 29 языков, в том числе русский, английский и китайский. README сообщает о сравнительных результатах на англоязычных и мультиязычных бенчмарках, но приведённые таблицы содержат только часть результатов. Модель описана как upcycling-вариант Qwen3-0.6B-Base с разбиением матриц на подматрицы и Drop-Upcycling. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Показатели качества основаны на бенчмарках из карточки; они не гарантируют результат для конкретного приложения.

Nau 1.0 — открытая языковая модель, разработанная командой nau-ai для работы с дивехи, записанным письмом тхаана. Это дообученная версия Gemma 4 E2B с расширенным токенизатором: к словарю добавлены 32 000 токенов тхаана, всего 294 144. Модель содержит 5,4 млрд параметров и предназначена для генерации текста и диалогов; веса доступны в safetensors и в вариантах GGUF Q4_K_M и Q8_0. Полные веса bf16 занимают 10,9 ГБ. Nau умеет писать и редактировать тексты на дивехи, переводить между дивехи и английским, исправлять орфографию, преобразовывать романизированный дивехи в письмо тхаана, составлять краткие пересказы и отвечать на вопросы по предоставленному тексту. Её можно запускать локально, в том числе на обычном ноутбуке с GGUF; для наиболее точной обработки тхаана рекомендуется передавать токенизированные входы от токенизатора Hugging Face. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства, но некоммерчески и на аналогичных условиях. Модель специализируется на дивехи, сохраняя возможности работы с английским. Её ограничения включают слабые общие знания и риск уверенных фактических ошибок, особенно по законам и официальным сведениям без исходного текста; английские инструкции иногда приводят к ответу на английском. Длинные ответы могут повторяться, а доступ к интернету и актуальным данным отсутствует. Метаданные указывают задачу text-generation; несмотря на мультимодальную базовую модель, карточка Nau описывает текстовые сценарии.

QuantFactory/OmniLing-V1-8b-experimental-GGUF — квантизированная версия модели WoonaAI/OmniLing-V1-8b-experimental, созданная с помощью llama.cpp. Исходная модель разработана PegasusYaY (AlexBefest) и secretmoon на основе тонкой настройки AnatoliiPotapov/T-lite-instruct-0.1. Модель предназначена для генерации текста и перевода между русским и английским языками в направлениях RU→EN и EN→RU. Модель ориентирована на перевод художественных текстов, датасетов, пользовательских сообщений, описаний и других текстовых материалов. Заявленный размер — 8B параметров; поддерживаются русский и английский языки. Для работы рекомендуется использовать шаблон запросов Llama 3 Instruct, нейтральный system prompt и низкую температуру 0,1–0,3. Сведения о длине контекста и точных параметрах квантизации в карточке не указаны. По представленному benchmark модель получила итоговую оценку 80,1 из 100 в сравнении с рядом проприетарных и открытых моделей на переводе небольших литературных текстов; особенно отмечены передача культурных особенностей, связность и сохранение характеров персонажей. Результаты основаны на десяти итерациях и оценке Gemini 1.5 Pro Experimental, поэтому не гарантируют качество в других сценариях. Релиз экспериментальный, стабильная работа не гарантируется. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0 International, допускающей некоммерческое использование с указанием авторства; для коммерческого применения требуется связаться с разработчиками.

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.

Qwen2.5-72B-0.6x-Instruct — объединённая языковая модель, опубликованная пользователем ddh0. Она создана линейным слиянием Qwen/Qwen2.5-72B-Instruct с весом 0,6 и Qwen/Qwen2.5-72B с весом 0,4. Модель предназначена для диалогов и генерации текста; автор стремился сделать инструкционную версию более гибкой и менее жёсткой. Модель использует плотную архитектуру Qwen2 и содержит 71,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 32 768 токенов; заявленные языки включают китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other, поэтому перед использованием следует проверить её условия. Слияние призвано сделать поведение модели гибче, однако README сообщает лишь о первоначальном тестировании и не приводит количественных оценок качества. Возможности и надёжность вызова инструментов отдельно не описаны.

mikelalda/qwen3.8-27b_euskara — Qwen3.8-27B базовая модель, дообученная командой HiTZ методом SFT с LoRA для работы преимущественно на баскском языке. Настройка охватывает диалоговое выполнение инструкций, перевод между баскским, испанским и английским, а также суммаризацию и ответы на вопросы по предоставленному тексту. Модель использует гибридную архитектуру с линейным вниманием и gated delta rule; базовая архитектура обозначена как Qwen3_5ForConditionalGeneration. Обучение затронуло текстовые модули. Размер базовой модели — 27 млрд параметров; веса представлены в BF16, а в карточке также упомянут экспорт GGUF Q4_K_M. Для ускорения линейного внимания рекомендуется flash-linear-attention. Карточка сообщает примерно о 74 тысячах обучающих примеров из корпусов HiTZ и об одном цикле обучения. Качество не оценивалось, поэтому перед практическим применением нужно проверить модель на собственных данных. Рассуждения в режиме thinking не дообучались; переводные данные частично синтетические, а стиль может быть формальным и связанным с баскской прессой и институциональными текстами. Хотя базовая модель мультимодальна, зрительный тракт этой настройки не обучался и не проверялся. В метаданных указана лицензия CC-BY-SA-4.0; карточка отмечает, что правовая применимость этой лицензии к весам спорна и требует проверки.

SalamandraTA-7b-instruct — многоязычная языковая модель для машинного перевода, разработанная BSC-LT. Это версия с инструкционной настройкой модели SalamandraTA-7b-base, основанной на Salamandra-7b; базовая промежуточная модель не опубликована. Модель содержит около 6,7 млрд параметров, использует архитектуру Llama и принимает контекст до 8192 токенов. Модель предназначена для перевода предложений, абзацев и документов между 40 языками и тремя языковыми разновидностями. Помимо общего перевода, она поддерживает перевод с учётом терминологии, перевод структурированного текста, включая HTML и XML, постредактирование перевода и распознавание именованных сущностей. README сообщает о поддержке европейских и неевропейских языков, включая арабский, японский, хинди, корейский и китайский. Модель распространяется под лицензией GPL-3.0. Инструкционная настройка описана как предварительная; авторы отмечают, что систематическая оценка точности по языкам, диалектам и предметным областям ещё не проведена. Для конкретных приложений рекомендуется проверять качество и безопасность модели.

saishf/Top-Western-Maid-7B — объединённая языковая модель, созданная с помощью mergekit из Mistral-7B-v0.1, Noromaid-7B-0.4-DPO, Toppy-M-7B и WestLake-7B-v2. В README указан метод объединения DARE TIES; итоговая модель содержит 7,1 млрд параметров и работает на архитектуре Mistral с контекстом до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Её можно применять для диалогов, написания и продолжения текста, а также для задач рассуждения и генерации художественного текста. Карточка приводит результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag, но не описывает отдельные гарантии качества или специализацию по языкам. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Это текстовая модель без заявленных возможностей работы с изображениями или аудио; как и другие языковые модели, она может выдавать неточные или вымышленные ответы.

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.

eshangj/TrOCR-Sinhala-finetuned — модель распознавания текста на изображениях на сингальском языке, разработанная Эшаном Гаянга. Это дообученная архитектура TrOCR VisionEncoderDecoderModel, основанная на контрольной точке Ransaka/TrOCR-Sinhala и обученная на наборе синтетических данных Ransaka/sinhala_synthetic_ocr-large. Модель предназначена для извлечения сингальского текста из печатных материалов, сканов документов и рукописных записей, а также для оцифровки архивов и распознавания рукописных работ. Модель принимает изображения и выдаёт текст. Карточка указывает лицензию MIT. Качество может снижаться на размытых, наклонённых, сильно повреждённых изображениях и при нестандартном почерке; модель не предназначена для других письменностей и смешанного текста. Для улучшения результата рекомендуется предварительная обработка изображения и последующая коррекция распознанного текста.