Tencent выпустила Youtu-Parsing-Omni для разбора документов и медиа в JSON

На HuggingFace 9 октября 2026 года появилась модель tencent/Youtu-Parsing-Omni с задачей text-generation. Она принимает один входной объект — страницу документа, фотографию, график, геометрическую фигуру, аудио или видео — и возвращает структурированный JSON с результатами восприятия и анализа: разметкой, текстом, таблицами, формулами, таймкодами, распознаванием речи и описаниями.

Что это значит

Модель содержит 5,3 млрд параметров, самый большой файл весов — model.safetensors на 9,9 ГБ. Запускается через transformers, веса выложены в формате safetensors. Квантованных сборок на площадке пока нет, поэтому для работы потребуется видеокарта с запасом видеопамяти под полный вес модели. Лицензия — License Terms of Youtu-Parsing: коммерческое использование разрешено, кроме территории Европейского союза. Модель можно использовать, изменять и распространять, при распространении нужно приложить копию лицензии, отметить изменения и сохранить уведомления об авторстве. Сторонние компоненты подчиняются своим лицензиям. Для локального запуска на своём железе модель доступна, но без готовых квантованных сборок она требовательна к видеопамяти. Следить за появлением таких сборок и других новостей по ИИ-инструментам можно в ленте CPU3D.