ИИ и автоматизация 12 мин чтения 2026-11-07

Парсинг сложных PDF и таблиц для RAG с IBM Docling: развертывание в Docker Compose на VDS для подготовки корпоративных документов к LLM без GPU

Стандартные библиотеки парсинга PDF превращают многоколоночные отчеты и вложенные таблицы в хаос, ломая контекст для RAG. Разбираем, как развернуть микросервис IBM Docling Serve на VDS в Docker Compose: извлечение чистого Markdown, OCR кириллицы на CPU, защита API-ключом и связка с локальными LLM.

Инженерная редакция SysKit Проверено инженерами SysKit.ru

Разработка поисковых RAG-систем (Retrieval-Augmented Generation) и корпоративных ИИ-ассистентов в 2026 году сталкивается с фундаментальным препятствием: «мусор на входе — мусор на выходе» (Garbage In, Garbage Out). Даже самые продвинутые языковые модели — такие как DeepSeek-V3, Llama 3 или Claude 3.5 — не способны дать точный ответ на вопрос по документам компании, если исходный PDF-файл распарсен в виде бессвязного набора строк.

Большинство типовых PDF-библиотек (PyPDF, pdfminer, pypdf2) читают файл как плоский поток глифов, полностью игнорируя визуальную семантику страницы: двухколоночные отчеты превращаются в чередование предложений из разных абзацев, строки финансовых таблиц склеиваются в сплошной текст, а колонтитулы внедряются в тело параграфов.

Открытый проект IBM Docling (более 18 000 звёзд на GitHub) решает эту проблему на уровне компьютерного зрения: специализированная легковесная нейросеть анализирует разметку документа (Layout Analysis), восстанавливает иерархию заголовков, точно структурирует таблицы через движок TableFormer и преобразует PDF в семантически безупречный Markdown. В этой статье мы подробно разберем, как развернуть официальный микросервис IBM Docling Serve на собственном VDS под управлением Ubuntu 24.04 в Docker Compose с оптимизацией под CPU, защитить REST API и настроить надежный пайплайн векторизации для локальных баз знаний.

💡 В чем фундаментальное преимущество Docling перед OCR-утилитами

Классические OCR-пакеты (например, Tesseract) нацелены исключительно на распознавание букв и слов в пикселях. Docling — это мультимодальный парсер документов: он «видит» документ глазами человека, понимает границы блоков текста, списков, сносок, формул и сложных вложенных таблиц с объединенными ячейками. На выходе формируется формат DoclingDocument, который идеально транслируется в чистый Markdown с таблицами GFM и JSON-чанки с точными координатами на странице.

1. Почему стандартные PDF-парсеры ломают RAG-пайплайны

Формат PDF исторически проектировался как язык описания страниц для печати (PostScript-наследник), а не для хранения семантической структуры данных. Внутри PDF-файла нет понятий «абзац», «колонка», «таблица» или «заголовок H2»: там хранятся лишь команды рисования векторов и позиционирования символов с координатами (x, y).

Когда традиционный парсер извлекает текст для RAG, происходят три критические ошибки, которые гарантированно разрушают поиск эмбеддингов:

  • Разрыв многоколоночной верстки: Если в документе две или три колонки (как в научных публикациях, прайс-листах или каталогах продукции), простой парсер читает строку слева направо через всю ширину листа. В результате первая строка левой колонки соединяется с первой строкой правой колонки, создавая смысловую «кашу».
  • Уничтожение таблиц: Таблица из 5 столбцов превращается в сплошной поток текста без разделителей. При векторизации эмбеддинг-модель не может связать наименование товара в первой ячейке с его ценой в четвертой ячейке той же строки.
  • Загрязнение колонтитулами: Повторяющиеся верхние и нижние колонтитулы («Страница 12 из 80», название регламента, дата) попадают в каждый чанк. При векторном поиске в векторной СУБД Qdrant эти повторяющиеся фразы искажают сходство векторов по косинусному расстоянию.

Docling устраняет все три дефекта «из коробки», обеспечивая стопроцентную семантическую чистоту выходного Markdown перед нарезкой на чанки.

2. Архитектура IBM Docling: нейросетевой анализ верстки и TableFormer

Под капотом IBM Docling реализован многоступенчатый модульный конвейер обработки, оптимизированный инженерами IBM Research:

  1. Анализ структуры документа (Layout Analysis): Обученная модель детекции объектов (DocLayNet) сегментирует каждый лист на визуальные примитивы: заголовки разного уровня, абзацы текста, таблицы, картинки, подписи к рисункам и сноски.
  2. Движок TableFormer: Специализированная нейросеть предсказывает HTML/Markdown структуру таблицы, восстанавливая ряды, колонки, заголовки столбцов (header rows) и сложные объединенные ячейки (rowspan/colspan).
  3. Интеллектуальный OCR (при необходимости): Если PDF цифровой (содержит текстовый слой), Docling напрямую считывает глифы, не тратя процессорные ресурсы. Если страница сканированная или содержит растровые вставки, автоматически подключается OCR-модуль (RapidOCR или EasyOCR) с поддержкой кириллицы и латиницы.
  4. Сборка унифицированного дерева (DoclingDocument): Все распознанные элементы собираются в единое иерархическое дерево с сохранением правильного порядка чтения (reading order), после чего сервис отдает результат в виде чистого Markdown, HTML или сырого JSON.

⚠️ Работа на CPU без использования видеокарт (GPU)

В отличие от тяжелых OCR-комплексов, требующих дорогостоящих серверов с NVIDIA Tesla/A100, Docling Serve поставляется в официальном образе docling-serve-cpu с ONNX Runtime. Нейросети анализа верстки квантованы, что позволяет уверенно обрабатывать корпоративные документы на стандартных доступных VDS с процессорами 2–4 vCPU.

3. Системные требования и выбор конфигурации VDS

Хотя Docling Serve умеет работать на процессорах без GPU, модели глубокого обучения требуют достаточного объема оперативной памяти при инициализации весов и обработке страниц с высоким разрешением (DPI 200–300).

Параметр сервера Минимальный профиль Рекомендуемый (Production) Высокая нагрузка (Batch OCR)
Процессор (vCPU) 2 vCPU (от 3.0 ГГц) 4 vCPU (от 3.3 ГГц) 8 vCPU
Оперативная память (RAM) 4 ГБ RAM 8 ГБ RAM 16 ГБ RAM
Дисковая подсистема 25 ГБ NVMe 50 ГБ NVMe 100+ ГБ NVMe
Скорость парсинга 1.5–3.0 сек / страница 0.6–1.2 сек / страница 0.2–0.5 сек / страница
Ограничение по памяти Одиночные PDF до 20 стр. Документы до 100 стр. Параллельный пул очередей

Для базовых задач индексации корпоративных регламентов и счетов оптимально подходит сервер с 2–4 vCPU и 4 ГБ оперативной памяти на скоростных NVMe-дисках.

4. Подготовка сервера и структуры каталогов на Ubuntu 24.04

Развертывание выполняется на «чистом» сервере под управлением Ubuntu 24.04 LTS. Первым шагом обновим системные пакеты и установим официальный Docker Engine с плагином Docker Compose:

# Обновление индекса пакетов и компонентов системы
sudo apt update && sudo apt upgrade -y

# Установка вспомогательных утилит
sudo apt install -y ca-certificates curl gnupg lsb-release

# Добавление официального GPG-ключа и репозитория Docker
sudo install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
sudo chmod a+r /etc/apt/keyrings/docker.gpg

echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# Установка Docker и Compose v2
sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

# Проверка корректности установки
docker compose version

Создадим изолированный рабочий каталог /opt/docling-serve и настроим файл переменных окружения .env:

sudo mkdir -p /opt/docling-serve
cd /opt/docling-serve

Сгенерируем надежный криптографический ключ для защиты REST API с помощью утилиты OpenSSL (или воспользуйтесь онлайн генератором паролей и токенов SysKit):

openssl rand -hex 24

Создаем файл /opt/docling-serve/.env:

# Порт прослушивания сервиса внутри контейнера
DOCLING_SERVE_PORT=5001

# Включение веб-интерфейса Gradio (/ui) для интерактивного тестирования
DOCLING_SERVE_ENABLE_UI=1

# Секретный API-ключ для авторизации запросов через заголовок X-Api-Key
DOCLING_SERVE_API_KEY=your_super_secret_docling_api_key_here

# Тип движка задач: local (в памяти)
DOCLING_SERVE_ENG_KIND=local

# Количество параллельных вычислительных воркеров движка
DOCLING_SERVE_ENG_LOC_NUM_WORKERS=2

# Критически важно: ровно 1 процесс веб-сервера Uvicorn при движке local
UVICORN_WORKERS=1

# Ограничение числа потоков библиотек линейной алгебры для стабильности CPU
OMP_NUM_THREADS=2
MKL_NUM_THREADS=2

# Каталог для долговременного кэширования загруженных моделей нейросетей
DOCLING_SERVE_ARTIFACTS_PATH=/root/.cache/docling/models

5. Развертывание Docling Serve в Docker Compose

Для продакшен-эксплуатации мы используем официальный образ quay.io/docling-project/docling-serve-cpu:v1.38.2 с жесткой фиксацией стабильной версии, ограничением системных ресурсов (Resource Limits) и привязкой порта строго к 127.0.0.1. Это исключает прямой доступ злоумышленников в обход системного фаервола.

Создаем файл манифеста /opt/docling-serve/docker-compose.yml:

services:
  docling-serve:
    image: quay.io/docling-project/docling-serve-cpu:v1.38.2
    container_name: docling-serve
    restart: unless-stopped
    env_file:
      - .env
    ports:
      # Проброс строго на локальный loopback интерфейс
      - "127.0.0.1:5001:5001"
    environment:
      - DOCLING_SERVE_ENABLE_UI=${DOCLING_SERVE_ENABLE_UI}
      - DOCLING_SERVE_API_KEY=${DOCLING_SERVE_API_KEY}
      - DOCLING_SERVE_ENG_KIND=${DOCLING_SERVE_ENG_KIND}
      - DOCLING_SERVE_ENG_LOC_NUM_WORKERS=${DOCLING_SERVE_ENG_LOC_NUM_WORKERS}
      - UVICORN_WORKERS=${UVICORN_WORKERS}
      - OMP_NUM_THREADS=${OMP_NUM_THREADS}
      - MKL_NUM_THREADS=${MKL_NUM_THREADS}
      - DOCLING_SERVE_ARTIFACTS_PATH=${DOCLING_SERVE_ARTIFACTS_PATH}
    volumes:
      # Постоянный том для сохранения весов моделей (DocLayNet, TableFormer, OCR)
      - docling_models:/root/.cache/docling/models
      # Кэш Hugging Face для загрузчиков токенизаторов
      - huggingface_cache:/root/.cache/huggingface
    mem_limit: 3500m
    deploy:
      resources:
        limits:
          cpus: "2.5"
          memory: 3500M
        reservations:
          cpus: "0.5"
          memory: 1500M
    healthcheck:
      test: ["CMD-SHELL", "curl -f http://127.0.0.1:5001/health || exit 1"]
      interval: 30s
      timeout: 10s
      retries: 3
      start_period: 45s

volumes:
  docling_models:
    name: docling_models_data
  huggingface_cache:
    name: docling_huggingface_data

⚠️ Почему параметр UVICORN_WORKERS обязан быть равен 1

При использовании локального движка задач (DOCLING_SERVE_ENG_KIND=local) очередь конвертации и статусы задач хранятся в памяти рабочего процесса. Если запустить сервер с несколькими процессами Uvicorn (UVICORN_WORKERS > 1), запрос на конвертацию примет воркер «А», а последующий GET-запрос статуса задачи придет воркеру «Б», что приведет к плавающей ошибке 404 Task Not Found. Масштабирование параллелизма на многоядерных CPU выполняется через DOCLING_SERVE_ENG_LOC_NUM_WORKERS или переключение на Redis-очередь (rq).

Запускаем контейнер в фоновом режиме:

docker compose up -d

Проверяем статус запуска и логи инициализации (при первом старте сервис выведет сообщение о готовности API на порту 5001):

docker compose ps
docker compose logs -f docling-serve

Убедиться, что служебный порт 5001 не «торчит» в открытый интернет, можно с помощью сетевого инструмента проверки открытых портов SysKit.

Рекомендуемые VDS-провайдеры

Отказоустойчивые сервера с быстрыми NVMe и каналом до 1 Гбит/с

Выбор редакции
⚡

Timeweb Cloud — Быстрые NVMe VDS

Отказоустойчивые виртуальные серверы с быстрыми NVMe-дисками для высокоскоростной обработки PDF-файлов и моделей Docling на CPU.

Конфигурация
2 vCPU 3.3 ГГц • 4 ГБ RAM • 40 ГБ NVMe • Трафик без лимита
Премиум Tier III
🔷

Selectel — Корпоративные облачные серверы

Аттестованная инфраструктура по 152-ФЗ (УЗ-1) для безопасного парсинга корпоративных договоров, бухгалтерских баз и коммерческой тайны.

Конфигурация
2 vCPU • 4 ГБ RAM • 50 ГБ NVMe • Выделенный IP
Простота и надежность
🟠

Beget — Удобные VDS для бизнеса

Удобная панель управления, автоматические ежедневные бэкапы и мгновенный деплой Docker-стека за 1 минуту.

Конфигурация
2 vCPU • 4 ГБ RAM • 30 ГБ NVMe • Безлимитный канал

6. Настройка Nginx Reverse Proxy с защитой API и таймаутами

Поскольку парсинг 30–50-страничных PDF-документов с разбором десятков таблиц на процессоре может занимать от 15 до 90 секунд, стандартные таймауты Nginx (60 секунд) приведут к ошибке 504 Gateway Timeout. Кроме того, необходимо увеличить допустимый размер тела клиентского запроса (client_max_body_size) для комфортной передачи объемных отчетов и сканов.

Устанавливаем Nginx и Certbot для автоматического выпуска бесплатного SSL-сертификата Let's Encrypt:

sudo apt install -y nginx certbot python3-certbot-nginx

Создаем конфигурацию виртуального хоста /etc/nginx/sites-available/docling.conf (замените docling.your-domain.ru на ваш реальный поддомен):

server {
    listen 80;
    listen [::]:80;
    server_name docling.your-domain.ru;

    # Увеличение максимального размера загружаемого PDF до 50 МБ
    client_max_body_size 50M;

    # Базовые заголовки безопасности
    add_header X-Content-Type-Options "nosniff" always;
    add_header X-Frame-Options "SAMEORIGIN" always;
    add_header X-XSS-Protection "1; mode=block" always;

    location / {
        proxy_pass http://127.0.0.1:5001;
        proxy_http_version 1.1;

        # Проброс заголовков клиента и API-ключа
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_set_header X-Api-Key $http_x_api_key;

        # Поддержка WebSocket для интерактивного интерфейса Gradio (/ui)
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";

        # Расширенные таймауты для тяжелых многостраничных документов
        proxy_connect_timeout 60s;
        proxy_send_timeout 300s;
        proxy_read_timeout 300s;
        send_timeout 300s;

        # Отключение буферизации для потоковой передачи ответов
        proxy_buffering off;
    }
}

Активируем конфигурационный файл, проверяем синтаксис и выпускаем SSL-сертификат с автоматической настройкой HTTPS-редиректа с помощью Certbot:

sudo ln -s /etc/nginx/sites-available/docling.conf /etc/nginx/sites-enabled/
sudo nginx -t
sudo systemctl reload nginx

# Выпуск SSL-сертификата Let's Encrypt с автоматическим редиректом на HTTPS
sudo certbot --nginx --redirect -d docling.your-domain.ru --non-interactive --agree-tos -m admin@your-domain.ru

# Проверка автоматического таймера обновления сертификата
sudo systemctl status certbot.timer

Проверить валидность TLS-сертификата и цепочки доверия можно через утилиту проверки SSL-сертификатов SysKit. Детальные шаблоны реверс-прокси доступны в нашем генераторе конфигураций Nginx.

7. Проверка работоспособности и парсинг документов через API

После запуска контейнера и настройки Nginx проверяем доступность сервиса по защищенному протоколу:

curl -s -H "X-Api-Key: your_super_secret_docling_api_key_here" https://docling.your-domain.ru/health

В ответ сервер должен вернуть JSON со статусом готовности:

{"status":"ok"}

Также вы можете открыть встроенный визуальный интерфейс в браузере по адресу https://docling.your-domain.ru/ui, где можно загрузить любой тестовый PDF, посмотреть процесс визуальной сегментации страниц и сразу скопировать сгенерированный Markdown.

Тестовая конвертация удаленного PDF через cURL

Отправим запрос на асинхронную конвертацию документа по прямой ссылке через эндпоинт /v1/convert/source:

curl -X POST "https://docling.your-domain.ru/v1/convert/source" \
  -H "accept: application/json" \
  -H "Content-Type: application/json" \
  -H "X-Api-Key: your_super_secret_docling_api_key_here" \
  -d '{
    "sources": [
      {
        "kind": "http",
        "url": "https://arxiv.org/pdf/2408.09869"
      }
    ]
  }'

Парсинг локального файла через Python-скрипт

Для интеграции в ваши рабочие бэкенды и конвейеры RAG напишем компактный скрипт на Python с использованием библиотеки requests:

import requests
import json

DOCLING_URL = "https://docling.your-domain.ru/v1/convert/file"
API_KEY = "your_super_secret_docling_api_key_here"
PDF_FILE_PATH = "contract_sample.pdf"

headers = {
    "X-Api-Key": API_KEY
}

# Отправка локального файла в микросервис
with open(PDF_FILE_PATH, "rb") as f:
    files = {"file": (PDF_FILE_PATH, f, "application/pdf")}
    response = requests.post(DOCLING_URL, headers=headers, files=files, timeout=300)

if response.status_code == 200:
    data = response.json()
    # Извлечение чистого Markdown
    markdown_content = data.get("document", {}).get("markdown", "")
    
    print(f"✅ Успешно распарсено страниц: {data.get('document', {}).get('num_pages', 0)}")
    print("--- Фрагмент полученного Markdown ---")
    print(markdown_content[:600])
    
    # Сохранение чистого текста для RAG
    with open("parsed_document.md", "w", encoding="utf-8") as out:
        out.write(markdown_content)
else:
    print(f"❌ Ошибка {response.status_code}: {response.text}")

💡 Как выглядит таблица на выходе Docling

Вместо потерянных строк в Markdown сохраняется строгая GFM-разметка:

| Номер п/п | Наименование услуги | Ставка НДС | Сумма (руб.) |
| :--- | :--- | :--- | :--- |
| 1 | Аренда VDS 4 vCPU / 8 ГБ RAM | Без НДС | 1 450,00 |
| 2 | Резервное копирование S3 (100 ГБ) | Без НДС | 350,00 |

Такой формат позволяет языковой модели моментально связать строку услуги с ее финальной стоимостью без галлюцинаций.

8. Интеграция с RAG-системами, Qdrant и локальными LLM

Главное достоинство Markdown-формата, который отдает Docling, — это естественные разделители контекста. В обычном тексте нарезка на чанки по количеству символов (например, по 500 знаков) неизбежно разрезает фразы посередине мысли. В структурированном Markdown можно применять семантическую нарезку по заголовкам (Markdown Header Chunking).

Каждый раздел документа вместе с подзаголовками H2/H3 превращается в целостный логический фрагмент:

from langchain_text_splitters import MarkdownHeaderTextSplitter

headers_to_split_on = [
    ("#", "Раздел"),
    ("##", "Подраздел"),
    ("###", "Параграф"),
]

markdown_splitter = MarkdownHeaderTextSplitter(
    headers_to_split_on=headers_to_split_on, 
    strip_headers=False
)
chunks = markdown_splitter.split_text(markdown_content)

print(f"Создано семантических чанков: {len(chunks)}")
# Каждый чанк содержит метаданные о разделе и готов к отправке в векторную базу

Полученные чанки с помощью локальной модели эмбеддингов (например, bge-m3 или multilingual-e5-large через векторную СУБД Qdrant) сохраняются в базу векторов. Для генерации ответов по найденным контекстам отлично подходят открытые локальные модели через LiteLLM Proxy или движок RAGFlow.

9. Обслуживание, очистка кэша моделей и автоматические бэкапы

Сервис Docling спроектирован как stateless-приложение (не хранит постоянную базу данных), однако при первом запуске скачивает около 1.5–2 ГБ весов нейросетевых моделей в именованный том docling_models_data. Чтобы сервер не расходовал лишний трафик при перезапусках, этот том обязательно должен сохраняться.

Автоматический бэкап конфигураций и данных

Создадим скрипт резервного копирования рабочей директории /opt/docling-serve в каталог /var/backups/docling:

sudo mkdir -p /var/backups/docling
sudo nano /usr/local/bin/backup_docling.sh

Вставляем скрипт создания архива с авторотацией за последние 7 дней:

#!/usr/bin/env bash
set -Eeuo pipefail

BACKUP_DIR="/var/backups/docling"
TIMESTAMP="$(date +'%Y%m%d_%H%M%S')"
ARCHIVE_NAME="${BACKUP_DIR}/docling_backup_${TIMESTAMP}.tar.gz"

echo "=== Запуск резервного копирования Docling Serve [${TIMESTAMP}] ==="

# Архивирование конфигураций и переменных окружения
tar -czf "${ARCHIVE_NAME}" -C /opt docling-serve

# Удаление бэкапов старше 7 дней
find "${BACKUP_DIR}" -name "docling_backup_*.tar.gz" -type f -mtime +7 -delete

echo "=== Резервное копирование успешно завершено: ${ARCHIVE_NAME} ==="

Делаем скрипт исполняемым и добавляем задачу в системный cron для выполнения каждую ночь в 03:00 (составить точное расписание cron можно через наш генератор расписаний Crontab):

sudo chmod +x /usr/local/bin/backup_docling.sh
(crontab -l 2>/dev/null; echo "0 3 * * * /usr/local/bin/backup_docling.sh > /dev/null 2>&1") | crontab -

Готовые bash-сценарии для бэкапа других Docker-контейнеров с отправкой в S3 доступны в нашем конфигураторе резервного копирования Docker.

Разверните собственный RAG-пайплайн документов на VDS

Для стабильной работы нейросетевого парсера Docling на CPU без троттлинга и задержек критически важны высокая тактовая частота ядер и быстрые NVMe-накопители. Подберите производительный российский VDS с посуточной оплатой и надежной защитой от сбоев.

Вопросы и ответы (FAQ)

Популярные вопросы вебмастеров и сисадминов по данной теме

Нужен ли GPU для работы IBM Docling Serve?
Нет, IBM Docling оптимизирован для работы на обычных CPU-серверах с использованием ONNX Runtime и легковесных моделей сегментации верстки. Для комфортной обработки документов со скоростью 1–3 секунды на страницу достаточно тарифа VDS с 2 vCPU и 4 ГБ RAM.
Какие форматы файлов поддерживает Docling?
Docling нативно конвертирует PDF (цифровые и сканированные), документы Microsoft Office (DOCX, PPTX, XLSX), HTML-страницы, Markdown, AsciiDoc, а также растровые изображения (PNG, JPEG, TIFF) с автоматическим OCR.
Почему возникает ошибка 404 Task Not Found при нескольких воркерах Uvicorn?
По умолчанию Docling Serve использует локальный движок задач (DOCLING_SERVE_ENG_KIND=local) с очередью в оперативной памяти одного процесса. Если запустить несколько процессов Uvicorn (UVICORN_WORKERS > 1), фоновые задачи попадают в память одного воркера, а запрос статуса приходит в другой, что вызывает ошибку 404. Для многопоточной обработки держите UVICORN_WORKERS=1 и увеличивайте число вычислительных потоков DOCLING_SERVE_ENG_LOC_NUM_WORKERS или подключайте очередь Redis (DOCLING_SERVE_ENG_KIND=rq).
Как Docling распознает русский язык в отсканированных документах?
Docling поддерживает мультиязычные OCR-движки (включая RapidOCR и EasyOCR), которые автоматически определяют и распознают кириллицу. Языковые пакеты для кириллицы загружаются в каталог кэша моделей при первом обращении.

Читайте также в блоге SysKit

Смежные руководства и полезные технические статьи