❤5
SenseNova-U1
Мультимодальная модель от SenseTime на архитектуре NEO‑Unify - понимание и генерация без отдельных модулей для текста и изображений. Подойдет для создания маркетинговых материалов и анализа документов
• понимает изображения и текст вместе (OCR, VQA, анализ документов)
• генерирует фотореалистичные и художественные изображения, инфографику
• редактирует изображения: стилизует, удаляет объекты, меняет композицию
• выдаёт смешанный контент - чередует текст и картинки в одном ответе
• рассуждает в кросс‑модальных задачах (математика, наука)
8 млрд параметров в базовой версии (SenseNova‑U1‑8B‑MoT), есть версия с MoE (A3B).
PS. Кажется ресерчеры нашли шаблон радиальных диаграмм и друг другу его пересылают
Гитхаб
HF
Попробовать
#design #multimodal #ocr #t2i #i2t
Мультимодальная модель от SenseTime на архитектуре NEO‑Unify - понимание и генерация без отдельных модулей для текста и изображений. Подойдет для создания маркетинговых материалов и анализа документов
• понимает изображения и текст вместе (OCR, VQA, анализ документов)
• генерирует фотореалистичные и художественные изображения, инфографику
• редактирует изображения: стилизует, удаляет объекты, меняет композицию
• выдаёт смешанный контент - чередует текст и картинки в одном ответе
• рассуждает в кросс‑модальных задачах (математика, наука)
8 млрд параметров в базовой версии (SenseNova‑U1‑8B‑MoT), есть версия с MoE (A3B).
PS. Кажется ресерчеры нашли шаблон радиальных диаграмм и друг другу его пересылают
Гитхаб
HF
Попробовать
#design #multimodal #ocr #t2i #i2t
👍12❤2👎1
Chandra OCR 2 (4B)
Открытая OCR‑модель для распознавания текста и структуры документов
• сохраняет макет документа (колонки, панели, заголовки)
• обрабатывает сложные таблицы с объединёнными ячейками
• распознаёт формы (чекбоксы, радиокнопки, поля с метками)
• работает с рукописным текстом и подписями
• извлекает изображения и подписи к ним
• поддерживает математические формулы
• выводит данные в Markdown, HTML, JSON
85,9 % точности на бенчмарке olmOCR, 77,8 % в многоязычном тесте (43 языка), поддержка 90+ языков
Офсайт
Гитхаб
HF
Квантизации
Плейграунд
Демо
#gguf #ocr
Открытая OCR‑модель для распознавания текста и структуры документов
• сохраняет макет документа (колонки, панели, заголовки)
• обрабатывает сложные таблицы с объединёнными ячейками
• распознаёт формы (чекбоксы, радиокнопки, поля с метками)
• работает с рукописным текстом и подписями
• извлекает изображения и подписи к ним
• поддерживает математические формулы
• выводит данные в Markdown, HTML, JSON
85,9 % точности на бенчмарке olmOCR, 77,8 % в многоязычном тесте (43 языка), поддержка 90+ языков
Офсайт
Гитхаб
HF
Квантизации
Плейграунд
Демо
#gguf #ocr
👍8
Unlimited‑OCR
Модель от Baidu для однопроходного анализа документов с большим горизонтом обработки
• парсинг длинных документов, от отдельных изображений до многостраничных PDF
• работа с разноформатными источниками без дополнительной настройки
Гитхаб
#ocr
Модель от Baidu для однопроходного анализа документов с большим горизонтом обработки
• парсинг длинных документов, от отдельных изображений до многостраничных PDF
• работа с разноформатными источниками без дополнительной настройки
Гитхаб
#ocr
🔥17
Mistral OCR 4 / Document AI
И еще обновка от Msitral для распознавания документов.
Mistral OCRv4
OCR-модель для извлечения текста из изображений и сканов, справляется с плохими условиями съемки
• высокая точность на искаженных текстах
• поддержка множества языков
• работа с рукописным текстом
оптимизирована под низкую задержку, подходит для потоковой обработки
Document AI
платформа для анализа документов, автоматизирует извлечение структурированных данных
• распознавание таблиц и форм
• классификация типов документов
• извлечение сущностей (даты, суммы, имена)
интегрируется с пайплайнами, работает с PDF, сканами, фото
API
Mistral Studio
Microsoft Foundry
Cookbook
#ocr
И еще обновка от Msitral для распознавания документов.
Mistral OCRv4
OCR-модель для извлечения текста из изображений и сканов, справляется с плохими условиями съемки
• высокая точность на искаженных текстах
• поддержка множества языков
• работа с рукописным текстом
оптимизирована под низкую задержку, подходит для потоковой обработки
Document AI
платформа для анализа документов, автоматизирует извлечение структурированных данных
• распознавание таблиц и форм
• классификация типов документов
• извлечение сущностей (даты, суммы, имена)
интегрируется с пайплайнами, работает с PDF, сканами, фото
API
Mistral Studio
Microsoft Foundry
Cookbook
#ocr
👍9❤1
pdf-inspector
Быстрый PDF-парсер на Rust от Firecrawl, конвертирует PDF в Markdown
Оптимизирован под подготовку данных. Делает акцент на логике документа, а не только на скорости
• сохраняет структуру документа
• корректно парсит заголовки
• извлеаект таблицы
• прямая интеграция в RAG и пайплайны
• ~0.002 сек на страницу
• 2.8 сек на 200 PDF
#pdf #pdf2markdown #ocr
Быстрый PDF-парсер на Rust от Firecrawl, конвертирует PDF в Markdown
Оптимизирован под подготовку данных. Делает акцент на логике документа, а не только на скорости
• сохраняет структуру документа
• корректно парсит заголовки
• извлеаект таблицы
• прямая интеграция в RAG и пайплайны
• ~0.002 сек на страницу
• 2.8 сек на 200 PDF
#pdf #pdf2markdown #ocr
👍17❤1🤔1
This media is not supported in your browser
VIEW IN TELEGRAM
Anydoc
Еще один парсер документов от Firecrawl для быстрой конвертации в Markdown без потери структуры и качества
• конвертация PDF, Word, презентаций и 10+ форматов
• сохранение качества обработки во всех типах файлов
• скорость 500 docx за 1,7 секунды
• поддержка широкого спектра форматов
#any2markdown #ocr
Еще один парсер документов от Firecrawl для быстрой конвертации в Markdown без потери структуры и качества
• конвертация PDF, Word, презентаций и 10+ форматов
• сохранение качества обработки во всех типах файлов
• скорость 500 docx за 1,7 секунды
• поддержка широкого спектра форматов
#any2markdown #ocr
👍10👎1😁1
EVIE-Preview-4.5B
Модель Tencent для визуального поиска по документам на базе Qwen3.5-4B
ищет релевантные страницы по запросу, глядя на картинки, а не на извлечённый текст. Эмбеддинги ультракомпактные, 128 измерений на токен, отсюда низкие требования к памяти и быстрый поиск.
• Поиск по сканам, PDF, таблицам, диаграммам и отчётам без OCR
• Мультиязычность - EN, FR, DE, IT, ES, PT, ZH и другие
• Zero-shot на новых языках и форматах
#SOTA на ViDoRe
• Обходит 8B модели, будучи вдвое меньше
Гитхаб
HF
#vlm #search #ocr
VK | MAX
Модель Tencent для визуального поиска по документам на базе Qwen3.5-4B
ищет релевантные страницы по запросу, глядя на картинки, а не на извлечённый текст. Эмбеддинги ультракомпактные, 128 измерений на токен, отсюда низкие требования к памяти и быстрый поиск.
• Поиск по сканам, PDF, таблицам, диаграммам и отчётам без OCR
• Мультиязычность - EN, FR, DE, IT, ES, PT, ZH и другие
• Zero-shot на новых языках и форматах
#SOTA на ViDoRe
• Обходит 8B модели, будучи вдвое меньше
Гитхаб
HF
#vlm #search #ocr
VK | MAX
🔥4👍1
This media is not supported in your browser
VIEW IN TELEGRAM
NeoMME
Поиск по PDF-документам без OCR. Страницы обрабатываются как изображения, поиск учитывает верстку, таблицы, графики и типографику
- Ретривер для RAG: ищет нужные страницы PDF по запросу, а не генерирует ответ
- Понимает визуальную структуру — таблицы, графики, колонки, дизайн страницы. OCR выбросил бы всё это
- Загрузка документа + запрос → модель возвращает релевантные страницы
- 2 размера: 260M и 800M — под разное железо
Демо
#vlm #ocr
VK | MAX
Поиск по PDF-документам без OCR. Страницы обрабатываются как изображения, поиск учитывает верстку, таблицы, графики и типографику
- Ретривер для RAG: ищет нужные страницы PDF по запросу, а не генерирует ответ
- Понимает визуальную структуру — таблицы, графики, колонки, дизайн страницы. OCR выбросил бы всё это
- Загрузка документа + запрос → модель возвращает релевантные страницы
- 2 размера: 260M и 800M — под разное железо
Демо
#vlm #ocr
VK | MAX
👍6🤔2
EVIE
Открытый визуальный ретривер документов от Tencent.
Самый точный на Hugging Face. Ищет нужные страницы PDF по смыслу и верстке, не полагаясь на #OCR
Получается конкурент NeoMME
- Понимает страницу целиком: текст, таблицы, графики, типографику — визуальный слой участвует в поиске
- Multi-vector late-interaction: сравнивает запрос с фрагментами документа, а не только с одним эмбеддингом — точнее семантика
- Apache-совместимая открытая лицензия
- Две версии: EVIE-8B и EVIE-4.5B
Гитхаб
#vlm
VK | MAX
Открытый визуальный ретривер документов от Tencent.
Самый точный на Hugging Face. Ищет нужные страницы PDF по смыслу и верстке, не полагаясь на #OCR
Получается конкурент NeoMME
- Понимает страницу целиком: текст, таблицы, графики, типографику — визуальный слой участвует в поиске
- Multi-vector late-interaction: сравнивает запрос с фрагментами документа, а не только с одним эмбеддингом — точнее семантика
- Apache-совместимая открытая лицензия
- Две версии: EVIE-8B и EVIE-4.5B
Гитхаб
#vlm
VK | MAX
👍12🔥3🤝2
WeVisDoc
Tencent открыл сквозной парсер документов
Превращает страницу в структурированный Markdown с LaTeX-формулами и HTML-таблицами. Дообучен на Qwen3-VL, размеры 2B и 4B.
Лидирует среди сквозных парсеров на бенчах
На вход - PNG, JPEG или WebP страницы. На выход - чистый Markdown. Работает через vLLM (OpenAI-совместимый API) или локальный Transformers инференс.
Гитхаб
HF
Демо
#ocr #doc2md
MAX
Tencent открыл сквозной парсер документов
Превращает страницу в структурированный Markdown с LaTeX-формулами и HTML-таблицами. Дообучен на Qwen3-VL, размеры 2B и 4B.
Лидирует среди сквозных парсеров на бенчах
На вход - PNG, JPEG или WebP страницы. На выход - чистый Markdown. Работает через vLLM (OpenAI-совместимый API) или локальный Transformers инференс.
Гитхаб
HF
Демо
#ocr #doc2md
MAX
👍12🤔1
LensVLM-9B от Apple
Визуально-языковая модель на базе Qwen3.5-9B. Читает текст в сжатом виде, а потом точечно разворачивает до полного формата только те страницы, которые нужны для ответа
• сканирование сжатых изображений текста
• выборочное расширение нужных страниц через выученные инструменты
• точность держится при сжатии в 4.3 раза
• обходит retrieval и текстовые компрессоры до 10.1 раза
• 9B параметров
• степени сжатия 5x, 10x, 15x
• работает с документами по запросу - вопрос и путь к файлу
Экономит контекст на длинных документах: модель видит ужатую версию, а полные страницы загружает только когда они реально нужны
Гитхаб
HF
Демо
#vlm #ocr
MAX
Визуально-языковая модель на базе Qwen3.5-9B. Читает текст в сжатом виде, а потом точечно разворачивает до полного формата только те страницы, которые нужны для ответа
• сканирование сжатых изображений текста
• выборочное расширение нужных страниц через выученные инструменты
• точность держится при сжатии в 4.3 раза
• обходит retrieval и текстовые компрессоры до 10.1 раза
• 9B параметров
• степени сжатия 5x, 10x, 15x
• работает с документами по запросу - вопрос и путь к файлу
Экономит контекст на длинных документах: модель видит ужатую версию, а полные страницы загружает только когда они реально нужны
Гитхаб
HF
Демо
#vlm #ocr
MAX
👍11
Xiaomi-OCR-0
Компактная OCR-модель от лаборатории SeerRay (Xiaomi): 0.8B параметров на парсинг документов и понимание текста. Обходит модели крупнее на разборе документов и OCR-VQA-задачах.
• Парсинг документов: текст, таблицы, формулы
• Стабильна на сканах, пересъемках, перекосах и фото
• OCR-понимание: вопросы по тексту, извлечение структурированных полей, не только транскрибация
• Распознавание исторического почерка и каллиграфии
• #1 на Real5-OmniDocBench (95.24), #2 на OmniDocBench v1.6 (96.83)
• Среднее 83.2 по 5 OCR-VQA-бенчмаркам — лучше Qwen3.5-2B
huggingface.co/SeerRay-Lab/Xiaomi-OCR-0
github.com/SeerRay-Lab/Xiaomi-OCR-0
#ocr
MAX
Компактная OCR-модель от лаборатории SeerRay (Xiaomi): 0.8B параметров на парсинг документов и понимание текста. Обходит модели крупнее на разборе документов и OCR-VQA-задачах.
• Парсинг документов: текст, таблицы, формулы
• Стабильна на сканах, пересъемках, перекосах и фото
• OCR-понимание: вопросы по тексту, извлечение структурированных полей, не только транскрибация
• Распознавание исторического почерка и каллиграфии
• #1 на Real5-OmniDocBench (95.24), #2 на OmniDocBench v1.6 (96.83)
• Среднее 83.2 по 5 OCR-VQA-бенчмаркам — лучше Qwen3.5-2B
huggingface.co/SeerRay-Lab/Xiaomi-OCR-0
github.com/SeerRay-Lab/Xiaomi-OCR-0
#ocr
MAX
👍9❤3
Occular-OCR — новый OCR-движок для русского языка от независимого разработчика (и нашего подписчика) @Bodhi_b
Альтернатива Tesseract и RapidOCR с упором на распознавание сложных русскоязычных документов. Вместо тяжёлых VLM используется компактный пайплайн из специализированных нейросетей.
• PDF, сканы, фотографии документов: паспорта, справки, договоры, чеки, банковские выписки
• 14 языков, включая русский, английский и 12 языков с кириллицей
• Автоматическое исправление наклона и поворота страниц, опциональное устранение геометрических искажений
• Распознавание таблиц и восстановление порядка чтения в многоколоночных документах
• Структурированный JSON с координатами строк и оценкой уверенности распознавания
• Архитектура: DBNet + SVTR/CTC + Beam Search с русской 4-граммной языковой моделью
• ONNX Runtime, полностью локальный инференс на CPU или GPU (CUDA)
• Windows, Linux, macOS — установка через pip без компиляции и системных зависимостей CUDA
• Код Apache 2.0, веса бесплатно для частного использования, исследований и небольших организ
https://github.com/Bodhi42/Occular-ocr
https://pypi.org/project/occular-ocr/
#ocr
Альтернатива Tesseract и RapidOCR с упором на распознавание сложных русскоязычных документов. Вместо тяжёлых VLM используется компактный пайплайн из специализированных нейросетей.
• PDF, сканы, фотографии документов: паспорта, справки, договоры, чеки, банковские выписки
• 14 языков, включая русский, английский и 12 языков с кириллицей
• Автоматическое исправление наклона и поворота страниц, опциональное устранение геометрических искажений
• Распознавание таблиц и восстановление порядка чтения в многоколоночных документах
• Структурированный JSON с координатами строк и оценкой уверенности распознавания
• Архитектура: DBNet + SVTR/CTC + Beam Search с русской 4-граммной языковой моделью
• ONNX Runtime, полностью локальный инференс на CPU или GPU (CUDA)
• Windows, Linux, macOS — установка через pip без компиляции и системных зависимостей CUDA
• Код Apache 2.0, веса бесплатно для частного использования, исследований и небольших организ
https://github.com/Bodhi42/Occular-ocr
https://pypi.org/project/occular-ocr/
#ocr
🔥23👍8
MiniCPM-V 4.7
Новая открытая серия мультимодальных моделей OpenBMB для устройств
Две модели: MiniCPM-V 4.7 35B-A3B и MiniCPM-V 4.7 1B.
• Мультимодальное понимание, STEM-рассуждения, #OCR и длинные видео
• Локальный запуск на #iOS и #Android
• Гибридное сжатие визуальных токенов 4× и 16×
• Self-Replay Fine-Tuning — дешевая донастройка под новые задачи без потери общих качеств
• 35B-A3B: 17+ токенов/с на iPad Pro M4 (16 ГБ), 13+ на iPhone 17 Pro Max, всего 3 ГБ памяти
• LES (Lookahead Expert Scheduling) предзагружает веса экспертов — 5× ускорение на iPad Pro M4 при идентичном выводе
• Даже при 16× сжатии 90.4 на OCRBench — на 5.2 пункта выше Qwen3.6 35B-A3B
• Конкурентные результаты на 34 бенчмарках
github.com/OpenBMB/MiniCPM-V
huggingface.co/collections/openbmb/minicpm-v-47
#multimodal #mobile
MAX
Новая открытая серия мультимодальных моделей OpenBMB для устройств
Две модели: MiniCPM-V 4.7 35B-A3B и MiniCPM-V 4.7 1B.
• Мультимодальное понимание, STEM-рассуждения, #OCR и длинные видео
• Локальный запуск на #iOS и #Android
• Гибридное сжатие визуальных токенов 4× и 16×
• Self-Replay Fine-Tuning — дешевая донастройка под новые задачи без потери общих качеств
• 35B-A3B: 17+ токенов/с на iPad Pro M4 (16 ГБ), 13+ на iPhone 17 Pro Max, всего 3 ГБ памяти
• LES (Lookahead Expert Scheduling) предзагружает веса экспертов — 5× ускорение на iPad Pro M4 при идентичном выводе
• Даже при 16× сжатии 90.4 на OCRBench — на 5.2 пункта выше Qwen3.6 35B-A3B
• Конкурентные результаты на 34 бенчмарках
github.com/OpenBMB/MiniCPM-V
huggingface.co/collections/openbmb/minicpm-v-47
#multimodal #mobile
MAX
👍7😱2
This media is not supported in your browser
VIEW IN TELEGRAM
Interfaze 1.1 Lite
Обновленная открытая модель Interfaze для работы с документами. Главная идея — несколько задач в одном запросе: распознавание текста, перевод и классификация сразу, а не тремя отдельными обращениями.
• OCR, перевод и классификация в одном вызове
• Заявлено +30% к скорости обработки документов и -44% к потреблению памяти на одной GPU
• Собственная лицензия interfaze-open, не Apache 2.0
Спасибо @Endorpheen
#classification #translation #ocr
MAX
Обновленная открытая модель Interfaze для работы с документами. Главная идея — несколько задач в одном запросе: распознавание текста, перевод и классификация сразу, а не тремя отдельными обращениями.
• OCR, перевод и классификация в одном вызове
• Заявлено +30% к скорости обработки документов и -44% к потреблению памяти на одной GPU
• Собственная лицензия interfaze-open, не Apache 2.0
Спасибо @Endorpheen
#classification #translation #ocr
MAX
👍6
Media is too big
VIEW IN TELEGRAM
GroundingPI
4B фундаментальная модель на визуальных примитивах для локализации объектов — детекция, позиция, OCR и другие.
• Локализация точками и боксами как квантованные координаты в общем словаре
• Несколько grounding-задач: детекция, pointing, OCR, layout, GUI
• Как визуальный бэкбон улучшает робоманипуляцию и автопилот
• #SOTA на 34 бенчмарках, 11 возможностей восприятия: средний 73.68% против 71.54% у GPT-6 Astra
GroundAnything
Быстрая локализация через параллельное декодирование на диффузии
GroundAnything VLM
Высокая точность локализации авторегрессивной VLM
github.com/groundingpi/GroundAnything
huggingface.co/GroundingPI
huggingface.co/spaces/GroundingPI/groundanything-vlm
#vlm #ocr #detection
MAX
4B фундаментальная модель на визуальных примитивах для локализации объектов — детекция, позиция, OCR и другие.
• Локализация точками и боксами как квантованные координаты в общем словаре
• Несколько grounding-задач: детекция, pointing, OCR, layout, GUI
• Как визуальный бэкбон улучшает робоманипуляцию и автопилот
• #SOTA на 34 бенчмарках, 11 возможностей восприятия: средний 73.68% против 71.54% у GPT-6 Astra
GroundAnything
Быстрая локализация через параллельное декодирование на диффузии
GroundAnything VLM
Высокая точность локализации авторегрессивной VLM
github.com/groundingpi/GroundAnything
huggingface.co/GroundingPI
huggingface.co/spaces/GroundingPI/groundanything-vlm
#vlm #ocr #detection
MAX
👍9
Nemotron 3.5 Super VL
Открытая модель на 120B параметров для постоянно работающих агентов: самое быстрое выполнение задач и высокая точность в своем классе. Вместе с ней вышли две edge-модели.
• Мультимодальные агентные задачи: следование инструкциям, работа с инструментами, многошаговые бизнес-процессы
• #OCR, таблицы, графики и структурированные данные в визуальных документах
• Читает веб-страницы, PDF и картинки, отдает выводы по ним
edge
• Bolt 74B-A9B 24GB: нативная 2-битная квантизация, влезает в 24 ГБ
• Bolt E4B 4GB: для голосовых ассистентов и встроенных интерфейсов на RTX и Jetson
HF
OpenRouter
#agent #multimodal
MAX
Открытая модель на 120B параметров для постоянно работающих агентов: самое быстрое выполнение задач и высокая точность в своем классе. Вместе с ней вышли две edge-модели.
• Мультимодальные агентные задачи: следование инструкциям, работа с инструментами, многошаговые бизнес-процессы
• #OCR, таблицы, графики и структурированные данные в визуальных документах
• Читает веб-страницы, PDF и картинки, отдает выводы по ним
edge
• Bolt 74B-A9B 24GB: нативная 2-битная квантизация, влезает в 24 ГБ
• Bolt E4B 4GB: для голосовых ассистентов и встроенных интерфейсов на RTX и Jetson
HF
OpenRouter
#agent #multimodal
MAX
🔥8