NVIDIA Nemotron Parse v1.1 TCは、高度な文書意味理解モデルであり、画像から空間位置情報を持つテキストと表要素を抽出し、整形テキスト、バウンディングボックス、意味カテゴリを含む構造化注釈を生成できます。前のバージョンと比べて、速度が20％向上し、無秩序な要素のページ順序を保持します。

マルチモーダルTransformers

NVIDIA Nemotron Parse v1.1は、文書の意味を理解し、空間的な位置情報を持つテキストや表の要素を抽出するために特別に開発された先進的な文書解析モデルです。非構造化文書を機械が読み取り可能な構造化表現に変換し、従来のOCRが複雑な文書レイアウトを処理する際の限界を克服します。

マルチモーダルTransformers

これはGoogle Gemma - 3 - 4B - ITモデルを微調整したテキスト生成モデルで、デモンストレーションテンプレートのメタデータに基づいて多様で関連性のある検索クエリを生成するために特別に設計されています。このモデルはLoRAアダプタを使用して効率的に微調整されており、構造化文書のフィールド適応型密集検索フレームワークの重要な構成要素です。

自然言語処理Safetensors英語

Parrotlet-eは、高度な多言語医学埋め込みモデルで、インドの諸言語における医学用語に特化して最適化されています。これはBAAI/bge-m3をベースに微調整され、1800万対以上の多言語医学用語ペアで訓練され、12種類のインド語と英語をサポートし、臨床文書中の略語、スペルバリエーション、口語表現に対して強いロバスト性を持っています。

自然言語処理Transformers

LightOnOCR-1B-1025の量子化バージョンで、画像からテキストへの変換タスクに特化しており、文書理解やビジュアル言語処理などの分野で広く利用されています。このモデルは複数の欧州言語をサポートし、OCR、PDF処理、表認識などのシナリオに適しています。

マルチモーダルGguf多言語

olmOCR-2-7B-1025はAllenAIによって開発された高品質のOCR視覚言語モデルで、文書や画像内の文字認識タスクを専門に処理するためのものです。このリポジトリでは、Q8_0量子化方式を用いたGGUF量子化バージョンを提供しており、モデルサイズを小さくしながらも優れた精度を維持しています。

マルチモーダルGguf

Impresso NERモデルは、歴史文書の処理に特化した多言語の固有表現認識モデルです。スタック型Transformerアーキテクチャに基づいており、デジタル化された歴史テキスト中の細粒度および粗粒度のエンティティタイプ（人名、肩書き、場所など）を認識することができます。このモデルは、歴史文書中のOCRノイズ、スペルの変化、非標準的な言語の使い方に対して最適化されています。

自然言語処理Transformers多言語

Nanonets-OCR2-3B GGUFモデルは、文書処理用に設計された強力なツールで、さまざまな文書をスマートに構造化されたMarkdown形式に変換でき、OCR、画像からのテキスト変換、PDFからのMarkdown変換、ビジュアル質問応答など、さまざまな高度な識別と処理能力を備えています。

マルチモーダルTransformersその他

NVIDIA Nemotron Nano v2 12B VLは強力なマルチモーダルビジュアル言語モデルで、多画像推論と動画理解をサポートし、文書インテリジェンス、ビジュアル質問応答、要約機能を備え、商用に使用できます。

マルチモーダルTransformers

Chandraは高度なOCRモデルで、画像やPDFから高精度でテキストを抽出し、レイアウト情報を保持することができます。Markdown、HTML、JSON形式の出力をサポートし、手書き文字認識、フォーム再構築、表処理などで優れた性能を発揮し、40種類以上の言語をサポートします。

マルチモーダルTransformers

Llama Nemotron Reranking 1BはNVIDIAが開発した、テキスト検索の再ランキングに特化したモデルです。Llama-3.2-1Bアーキテクチャをベースに微調整されており、クエリと文書のペアに対して関連性の対数スコアを提供し、多言語と長文書の処理をサポートします。

自然言語処理Transformersその他

Llama Nemotron Embedding 1Bモデルは、NVIDIAが開発した、多言語およびクロス言語のテキスト質問応答検索に最適化された埋め込みモデルです。26言語をサポートし、最大8192トークンの文書を処理でき、動的な埋め込みサイズによりデータストレージの占有を大幅に削減できます。

自然言語処理Transformersその他

Qwen3-VL-4B-Instructは、アリババクラウドのQwenチームが開発した40億パラメータの命令調整済みマルチモーダル大規模言語モデルで、高通NPU用に最適化されており、強力なビジュアル言語理解能力と対話微調整機能を融合させ、チャット推論、文書分析、ビジュアル対話などの実際のアプリケーションシーンに適しています。

マルチモーダルGguf

これはBERTを微調整したソフトウェア要件の二値分類モデルで、ソフトウェア要件文書内の要件と非要件のテキストを識別および分類するために特別に設計されており、機能要件の記述とその他の内容を正確に区別します。

自然言語処理Safetensors英語

Granite Docling 258Mは、ONNX形式に基づく画像テキストをテキストに変換するモデルで、文書理解と処理に特化しています。このモデルは、画像内の文書内容を構造化されたテキスト形式に変換でき、マルチモーダル入力処理をサポートします。

マルチモーダルTransformers

YOLOv11アーキテクチャに基づく3種類の文書レイアウト分析モデル（nano、small、medium）で、DocLayNetデータセットで微調整され、文書内のテキスト、表、グラフなど11種類のレイアウト要素を正確に検出でき、文書理解と情報抽出タスクに適しています。

Rapido NERは、猫のRapidoにちなんで名付けられた、強力な多言語固有表現認識器とエンティティ埋め込みモデルです。このモデルは、強力な多言語NER性能を提供し、エンティティクラスタリングと検索をサポートし、文書内のクラスタリングや長いコンテキストなどのタスクを処理します。

自然言語処理Transformers多言語

CHURROは30億パラメータのオープンウェイトのビジュアル言語モデルで、歴史文書の転写に特化しています。このモデルは22世紀にわたり、46の言語クラスターにまたがる手書きおよび印刷テキストを識別することができ、歴史言語や死語を含み、大幅にコストを削減した条件下で、大型の商用モデルよりも高い精度を達成しています。

マルチモーダルSafetensors

simpletuner-loraは、stabilityai/stable-diffusion-3.5-mediumをベースにしたLyCORISアダプターで、文書から画像生成などの画像生成タスクに特化しています。このモデルはLoRA微調整技術を使用して実装され、主に検証プロンプトとして「A photo-realistic image of a cat」を使用してトレーニングされています。

コンピュータビジョンDiffusers

FastVLMは効率的な視覚言語モデルで、革新的な混合視覚エンコーダーFastViTHDにより、高解像度画像の符号化時間を大幅に削減し、モデルの性能を向上させます。このモデルは、複数の視覚質問応答と文書理解のベンチマークテストで優れた成績を収め、同時に最初の単語の生成時間を大幅に短縮します。

マルチモーダルSafetensors