I.11Классификация, ранжирование и сопоставление

Typhoon-Vision Preview — мультимодальная модель команды Typhoon AI на основе Llama 3 Typhoon v1.5 8B Instruct и визуального энкодера SigLIP; рецепт обучения основан на Bunny от BAAI. Это плотная модель с архитектурой Llama и примерно 7,5 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалогов и ответов на вопросы по изображениям, прежде всего на тайском и английском языках; доступный контекст — 8192 токена. В README версия названа исследовательским превью и отмечена как экспериментальная. В приведённой оценке она показывает результаты на MMBench, POPE и GQA, включая тайскую версию GQA. Модель может неточно следовать инструкциям и галлюцинировать; у неё нет механизмов модерации, поэтому ответы могут быть вредными или неприемлемыми. Лицензия — Llama 3 Community License.

pallie/mcQA_model_bert — модель BERT, дообученная автором репозитория на неизвестном наборе данных для выбора ответа из нескольких вариантов. Она предназначена для задач multiple-choice, где по вопросу и вариантам ответа нужно определить наиболее подходящий. Модель основана на bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Данные README сообщают точность 0,3204 и loss 1,3754 на оценочной выборке; из-за неизвестного набора данных эти результаты трудно интерпретировать. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MGT-Detector-RB-MGB — англоязычный классификатор текста для определения того, создан ли текст машиной. Модель разработана на основе RoBERTa и дообучена на наборе MAGA; для запуска используется Transformers. В карточке MAGA описан как корпус для изучения обобщающей способности детекторов машинного текста: почти миллион генераций от 12 генераторов в 20 предметных областях, включая английские и китайские данные, с разными методами выравнивания и декодирования. Модель выдаёт вероятность машинного происхождения текста; в README для бинарного решения предложен порог 0,5. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, максимальная длина контекста — 514 токенов. Указанная лицензия — MIT. Карточка не приводит метрик качества, поэтому надёжность детекции на новых генераторах и текстах из других областей не установлена.

MizBERT — предварительно обученная языковая модель для мизо, созданная разработчиками репозитория robzchhangte/MizBERT. Она использует архитектуру BERT и обучалась предсказывать замаскированные слова по окружающему контексту. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. Модель предназначена для восстановления пропущенных слов и получения контекстных представлений мизо текста. Её можно дообучать для классификации текстов, анализа тональности, ответов на вопросы и других задач обработки мизо. Лицензия Apache-2.0 разрешает использование на условиях этой лицензии.

Мультиязычная модель Himel Ghosh для выявления языковой предвзятости в новостных текстах. Это классификатор последовательностей на архитектуре XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов; модель обучена переносом знаний и дистиллирована из himel7/bias-detector. Поддерживает английский, бенгальский, хинди, немецкий, итальянский, французский, датский, испанский, арабский, урду, китайский, португальский, нидерландский, русский и японский языки. Модель присваивает текстам метки наличия или отсутствия предвзятости. На тестовом наборе BABE автор приводит accuracy 0,826 и macro F1 0,8317 для английского, 0,781 и 0,7912 для хинди, 0,76 и 0,7757 для бенгальского. Карточка не приводит метрики для остальных заявленных языков, поэтому качество на них не подтверждено этими результатами. Распространяется по лицензии Apache-2.0.

MuseumSCAT TrOCR Glyph Scorer — вспомогательная модель распознавания рукописного текста на основе TrOCR от octavigrau. Она предназначена для оценки и ранжирования предложенных вариантов названия места по изображению уже выделенного фрагмента рукописи: модель оценивает среднее логарифмическое правдоподобие строки и помогает выбрать вариант, лучше согласующийся с видимыми символами. Это encoder-decoder архитектура VisionEncoderDecoderModel, дообученная на базе Riksarkivet/trocr-base-handwritten-hist-swe-2. Обучающая смесь включала 148 размеченных фрагментов MuseumSCAT, синтетические датские названия мест и автоматически псевдоразмеченные изображения. Модель рассчитана на датский и шведский исторический рукописный текст. Лицензия репозитория — CC BY-NC 4.0. Модель следует применять как сигнал уверенности или в ограниченном механизме исправления, сравнивая кандидатов для одного и того же фрагмента; её оценки не являются калиброванными вероятностями между изображениями. Она не обнаруживает и не выделяет текстовые области, требует заранее подготовленного фрагмента. Объём размеченных данных мал, тестовая оценка основана на небольшом наборе и не характеризует общую точность распознавания рукописей. Варианты использования данных MuseumSCAT также подпадают под условия конкурса и требуют указания организаторов и Национального музея естественной истории Дании.

synapti/nci-binary-detector-v2 — англоязычный бинарный классификатор пропагандистских приёмов, разработанный Synapti как первый этап двухэтапного конвейера Narrative Control Index. Модель дообучена на answerdotai/ModernBERT-base и определяет, содержит ли текст хотя бы один пропагандистский приём; она выдаёт метку no_propaganda или has_propaganda. Архитектура — ModernBERT для классификации последовательностей, размер — 149 млн параметров, максимальная длина контекста — 8192 токена. Модель предназначена для вспомогательного анализа новостей и политических текстов: её можно использовать в инструментах медиаграмотности, при модерации и в исследованиях манипуляции информацией. В карточке сообщаются точность 99,4%, точность положительных предсказаний 98,9% и полнота 100% на тестовой выборке, однако эти результаты относятся к указанному тестовому набору и не гарантируют качество на других данных. Модель оптимизирована для английского языка, может хуже работать на очень коротких текстах и при переносе на другие предметные области; её не следует использовать как единственное основание для удаления контента или определения достоверности источника. Лицензия — Apache 2.0.

OmniLMM-12B — мультимодальная модель команды OpenBMB для диалога и ответов на вопросы по изображениям. Она сочетает визуальный энкодер EVA02-5B и языковую модель Zephyr-7B-β через слой perceiver resampler; архитектура плотная, число параметров по метаданным — 7,1 млрд. Модель обучали на мультимодальных данных поэтапно и выравнивали с помощью мультимодального RLHF по методике RLHF-V. Основные сценарии — описание изображений, ответы на вопросы о визуальном содержимом и мультимодальный диалог. Авторы сообщают о результатах на MME, MMBench, SEED-Bench и других тестах, а также о снижении неподтверждённых изображениями ответов. В демонстрационном интерактивном ассистенте OmniLMM-12B объединена с текстовой GPT-3.5 для обработки видеопотока с камеры и речи с микрофона и выдачи речи; это свойство описано для системы в целом, а не для модели OmniLMM-12B отдельно. Для репозитория указаны веса PyTorch, чат-возможность и контекст до 32 768 токенов. README не сообщает лицензию. Модель может ошибаться или галлюцинировать; авторы отдельно предупреждают, что её ответы не выражают позицию разработчиков и что они не берут на себя ответственность за последствия использования.

OpenMed-NER-OrganismDetect-BioMed-335M — модель OpenMed для распознавания упоминаний организмов и видов в биомедицинских текстах. Это дообученный трансформер семейства BERT с архитектурой BertForTokenClassification и примерно 433,9 млн параметров. Модель размечает названия видов тегами B-SPECIES и I-SPECIES; контекстное окно составляет 512 токенов. Модель предназначена для извлечения организмов из научных аннотаций и другой биомедицинской литературы, анализа биоразнообразия и таксономических упоминаний. В README для набора SPECIES800 указаны F1 0,8639, точность 0,8557 и полнота 0,8722. Модель принимает текст и выдаёт BIO-разметку токенов; заявлена поддержка английского языка. Доступна в формате safetensors и совместима с Transformers. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-ElectraMed-335M — модель OpenMed для распознавания названий организмов и видов в биомедицинских текстах. Это дообученный трансформер архитектуры BERT для token classification с 433,9 млн параметров и контекстом до 512 токенов; модель присваивает токенам BIO-метки B-SPECIES и I-SPECIES. Она рассчитана на научные публикации и другие тексты о биологии и медицине, включая упоминания научных и общеупотребительных названий видов. Модель обучена на корпусе SPECIES800, содержащем 800 аннотаций абстрактов, и предназначена для извлечения упоминаний организмов, таксономического анализа и поиска по биомедицинской литературе. В README приведены F1 0,83, precision 0,82, recall 0,84 и accuracy 0,96; эти показатели относятся к заявленной оценке на SPECIES800 и не гарантируют качество на других типах текста. Веса доступны в формате safetensors, библиотека интеграции — Transformers. Лицензия — Apache-2.0.

Samuel Mauli разработал parity-embedding-juridico-br-v4 — плотную модель эмбеддингов на базе BERT, дообученную для бразильской юридической тематики и государственных закупок. Она преобразует текстовые фрагменты в векторы для семантического поиска, сравнения сходства и кластеризации; подходит для поиска по решениям и сводкам TCU, законодательству о закупках и связанной литературе. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов. В README описано обучение на контрастивных парах и трудных отрицательных примерах; выходные векторы имеют размерность 384. Модель ориентирована на португальский язык Бразилии и узкую правовую область, поэтому её не рекомендуют для общих задач эмбеддингов. README предупреждает, что обучение проводилось на небольшом наборе примерно из 130 триплетов. Лицензия — Apache-2.0.

Koichi Yasuoka разработал эту модель как корейскую RoBERTa для восстановления замаскированных токенов и дальнейшего дообучения под задачи анализа текста. Она основана на klue/roberta-base и расширяет набор токенов, добавляя базовые и используемые в именах собственных ханча. Модель содержит 143,4 млн параметров, построена на архитектуре RoBERTa и рассчитана на контекст до 514 токенов. Модель подходит для заполнения пропусков в корейском тексте и может служить основой для дообучения на разметку частей речи и синтаксический анализ зависимостей. Для загрузки используются Transformers и PyTorch. Лицензия — CC BY-SA 4.0.

RooseBERT-scr-cased — англоязычная BERT-модель, разработанная для анализа политического дискурса. Это версия, обученная с нуля на корпусе политических дебатов и парламентских выступлений; размер модели — 136,7 млн параметров, длина контекста — 512 токенов. Для неё создан регистрозависимый WordPiece-токенизатор с 28 996 токенами, учитывающий специальную лексику политических текстов. Модель предназначена прежде всего как основа для дообучения на задачах анализа политических текстов: определения тональности и позиции, разметки компонентов и отношений аргументации, классификации политических предложений и распознавания именованных сущностей. Она также поддерживает заполнение маски. По данным README, на большинстве приведённых классификационных задач RooseBERT превзошла BERT-base-cased; для NER с общими категориями сущностей преимущество не отмечено. Модель обучена только на английских парламентских дебатах и не предназначена для межъязыкового применения. Она может наследовать предвзятости официальной политической речи, а архитектура encoder-only делает её более подходящей для классификации и разметки, чем для генерации. Лицензия — Apache-2.0.

Bencode92/tradepulse-finbert-sentiment — дообученная версия FinBERT для классификации тональности финансовых текстов, разработанная командой TradePulse ML Team. Модель относится к категории text classification и определяет один из трёх классов: negative, neutral или positive. Она предназначена для анализа финансовых новостей, корпоративных сообщений и других текстов, где требуется оценить позитивную, нейтральную или негативную тональность, в том числе в сценариях, связанных с торговыми решениями. В README указано, что модель работает с английским языком и использует Transformers-интерфейс AutoTokenizer и AutoModelForSequenceClassification. Размер модели, точная архитектура базового FinBERT и максимальная длина контекста не указаны. По данным карточки, модель обучалась инкрементально в течение двух эпох на датасете base_reference.csv из 1797 образцов с learning rate 1e-05 и batch size 4, без балансировки классов. На указанном наборе получены Accuracy, F1, Precision и Recall 1.0000, однако независимая проверка и сведения о способности обобщать на новые данные не приведены, поэтому эти результаты следует интерпретировать с осторожностью. Лицензия модели — Apache-2.0.

ADAL — детектор текстов, созданных искусственным интеллектом, разработанный Shushanta Pudasaini. Это классификатор на основе RoBERTa-large, обученный в состязательной схеме с перефразировщиком T5-base по методу RADAR и расширенный обучением на наборе RAID. Модель определяет, написан ли текст ИИ или человеком. ADAL предназначен для проверки текстов на происхождение и для исследований устойчивого обнаружения сгенерированного текста. В обучении использовались тексты от 11 генераторов и пять видов обхода детектора: перефразирование, замена синонимов, подмена символов, удаление артиклей и опечатки. Авторы сообщают макро-AUROC 0,9951 на RAID, однако этот результат не гарантирует такую же точность на текстах из других источников и вне условий бенчмарка. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт одну из меток: «создан ИИ» или «написан человеком». В карточке указана лицензия Apache-2.0. Языковой тег модели — английский; перенос качества на другие языки не подтверждён.

AffilGood-AffilXLM — многоязычная модель SIRIS-Lab на архитектуре XLM-RoBERTa, дообученная на задаче предсказания маскированных токенов после дополнительного обучения на 10 миллионах строк аффилиаций из OpenAlex. Она предназначена для работы с текстами организаций и исследовательских аффилиаций; такое предметно-ориентированное обучение улучшило perplexity на отложенных строках аффилиаций с 1,997 до 1,101. Модель содержит 305,2 млн параметров, принимает текст и предсказывает замаскированные токены в контексте до 514 токенов. В README приведены результаты на связанных задачах извлечения сущностей и выделения фрагментов AffilGood: для NER показатель составил 0,925, для SPAN — 0,927. Эти задачи описаны как оценка полезности адаптивного предобучения и не являются основным pipeline-тегом модели. Модель выпущена под лицензией Apache 2.0. В README отмечены возможные смещения и нежелательные искажения; при практическом применении необходимо учитывать их влияние на результаты.

Модель textattack/bert-base-uncased-WNLI — версия BERT-base-uncased, дообученная TextAttack для классификации последовательностей на задаче WNLI из набора GLUE. Она принимает текстовые пары и определяет, следует ли гипотеза из исходного предложения. Модель содержит 136,7 млн параметров, относится к архитектуре BertForSequenceClassification; максимальная длина контекста по метаданным — 512 токенов. При обучении использовались последовательности длиной до 256 токенов, 5 эпох и функция потерь cross-entropy. Модель предназначена для классификации текстовых пар и проверки языкового следования в рамках WNLI. На отложенной выборке авторы сообщают точность 0,563 после одной эпохи, что указывает на ограниченное качество и необходимость проверки пригодности для конкретного применения. Лицензия в предоставленных данных не указана.

CustomInLawBERT — англоязычная модель BERT для юридических текстов Индии, разработанная исследователями Департамента компьютерных наук и технологий Индийского технологического института в Кхарагпуре. Модель продолжает обучение LEGAL-BERT-SC на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы. Она использует адаптированный для индийской юридической терминологии токенизатор и архитектуру BERT с 12 слоями, размером скрытого представления 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Основная задача модели — предсказание замаскированных токенов. Её представления текста также можно использовать как основу для дообучения на классификацию и разметку юридических документов, например для определения применимых статей закона, сегментации частей судебного решения и прогнозирования исхода дела. Модель ориентирована на английские документы индийского права; результаты на других языках и правовых системах не подтверждены. Лицензия — MIT.

deka-qwen3-emb-0.6b-triplet-lay — плотный текстовый энкодер, созданный anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B. Модель предназначена для поиска дел Верховного суда Таиланда: сопоставляет пользовательский запрос с релевантными судебными делами, обучаясь по triplet objective; сторона документов настроена на регистр lay, а запросы обучались на текстах fact. Модель использует архитектуру Qwen3Model с извлечением представления последнего токена, левым дополнением последовательностей и L2-нормализацией. Размер — 507,6 млн параметров, максимальный контекст — 32 768 токенов. Для получения запросных эмбеддингов требуется добавлять инструкционный префикс, использованный при обучении; к документам его добавлять не следует. В тестах на полном корпусе чистых релевантностей Recall@10 составил 12,86 для пользовательских запросов, 25,24 для запросов в регистре lawer и 29,52 для fact. Модель рассчитана на поиск по тайским судебным документам, поэтому её результаты на других языках и предметных областях не подтверждены. Доступна под лицензией Apache-2.0.

Anvil-ML/detecteur-ia — франкоязычный классификатор текста, разработанный Anvil-ML для определения, написан ли текст человеком или языковой моделью, например ChatGPT или LLaMA. Модель основана на BARThez и использует архитектуру mBART для классификации последовательностей; размер составляет 95 млн параметров, максимальный контекст — 1024 токена. Она обучалась на 15 000 французских статей и их резюме, созданных людьми и ИИ. Модель предназначена для предварительной проверки текстов, в том числе в образовательной среде. По описанию автора, она рассчитана на выявление текста, целиком созданного ИИ, и может классифицировать как человеческий текст материал, сгенерированный ИИ, но затем переписанный человеком. Лицензия CC BY-NC-SA 4.0 допускает использование с атрибуцией и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое применение.

BAHIJA/distilbert-base-uncased-finetuned-cola — модель классификации текста на архитектуре DistilBERT, дообученная на наборе GLUE для задачи CoLA. Она предназначена для оценки грамматической приемлемости английских предложений и может использоваться для автоматической фильтрации или анализа предложений. Модель имеет 512 токенов контекста и опубликована в формате PyTorch. На оценочном наборе указаны loss 0,7371 и коэффициент корреляции Мэттьюса 0,5481. Лицензия — Apache-2.0. Карточка не содержит подробных сведений о данных обучения, ограничениях и рекомендуемых сценариях применения.

DuplexJev-B-SenseVoice-Small-Qwen3-0.6B — компактный аудиотекстовый коннектор для коротких решений по речи. Он объединяет замороженный энкодер SenseVoice-Small с замороженной языковой моделью Qwen3-0.6B; обучаемая часть — проектор SwiGLU с укладкой аудиокадров, содержащий 8,4 млн параметров. Модель преобразует аудио в представление для языковой модели и оценивает варианты ответа по распределению вероятностей одного токена, поэтому может обрабатывать несколько вопросов за один проход без генерации последовательности токенов. Модель предназначена для коротких задач по аудиоклипам, включая вопросы о содержании речи и признаки говорящего, например эмоции. README приводит результаты на небольших тестовых наборах и задержку для одного события решения; качество зависит от формулировки подсказки. Модель не рассчитана на открытые вопросы, требующие широких знаний, или на потоковую обработку. README предостерегает от использования меток эмоций для принятия решений об отдельных людях. Коннектор работает только с указанными энкодером SenseVoice и Qwen3-0.6B. Лицензия — Apache-2.0.

G1-7B — языковая модель серии G1 от PKU-ML для решения задач на графах и рассуждений о связях между объектами. Она основана на Qwen2.5-7B-Instruct и дообучена с помощью supervised fine-tuning и обучения с подкреплением по алгоритму GRPO на бенчмарках Erdos и Erdos-CoT. Модель использует плотную причинную архитектуру Qwen2 и содержит 7,1 млрд параметров по метаданным. Контекст составляет 32 768 токенов, генерация — до 8 192 токенов. Она предназначена для диалоговой генерации текста и, по данным карточки, особенно хорошо справляется с рассуждениями на графах, включая задачи, которых не было в обучении; авторы также сообщают о сохранении общих способностей к рассуждению. Для запуска рекомендуется актуальная версия Transformers: версии ниже 4.37.0 могут не распознавать архитектуру qwen2. Модель распространяется по лицензии Apache-2.0.

arinakosovskaia/implicit_toxicity — русскоязычная модель классификации текста для выявления неявной токсичности. По метаданным это плотная модель семейства BERT на базе BertForSequenceClassification с 205,1 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса Safetensors; библиотека для работы — Transformers. Модель предназначена для классификации русскоязычных текстов по признаку неявной токсичности, например для предварительной модерации пользовательских сообщений. Карточка не сообщает разработчика, обучающие данные, метрики, подробную схему меток или ограничения классификатора. Лицензия — Apache-2.0.

mediabiasgroup/magpie-pt — модель на основе XLM-RoBERTa, предварительно обученная на коллекции LBM (Large Bias Mixture) из 59 задач, связанных с предвзятостью в медиа. Обучение проводилось в режиме многозадачного обучения в рамках работы MAGPIE по обобщению анализа медиапредвзятости и выявлению соответствующих выражений. Модель предназначена для классификации текста в задачах анализа медиапредвзятости. Она основана на архитектуре RoBERTa, содержит около 151,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors; модель дообучена на базе FacebookAI/xlm-roberta-base и поддерживает многоязычный ввод. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение. Карточка не уточняет конкретные поддерживаемые языки и ограничения качества; модель ориентирована на набор задач, связанных с предвзятостью, и её результаты следует интерпретировать с учётом целевой области обучения.

MoralFoundationsClassifier — дообученная M. Murat Ardag модель RoBERTa для многометочной классификации текста по десяти категориям моральных оснований: пяти добродетелям и пяти порокам в областях заботы, справедливости, лояльности, авторитета и святости. Модель основана на roberta-base и содержит около 151,8 млн параметров; в метаданных указан контекст до 514 токенов. Она принимает текст и выдаёт оценки категорий, помогая анализировать моральную риторику и ценностные мотивы. Модель предназначена для исследователей, аналитиков и специалистов по политике: её можно применять для анализа новостных статей, аргументов и общественных дискуссий, а также для изучения морального фрейминга и мнений. По README, обучающие данные включали блоги, СМИ, эссе, рассказы, парламентские дебаты и речи; заявленные метрики получены на отложенной части обучающих данных, поэтому их не следует считать гарантией переноса на другие источники. Особенно низкий recall у категории loyalty_vice; автор также предостерегает от применения к социальным сетям и от выводов о морали отдельных людей или групп. Репозиторий помечен pipeline-тегом fill-mask, однако README описывает классификацию, а архитектура указана как RobertaForMaskedLM. Это несоответствие затрудняет определение интерфейса инференса по имеющимся сведениям. Лицензия — GPL-3.0.

Модель unicorn-s/nepal-border-sentiment-xlmr — классификатор тональности на базе XLM-RoBERTa-base, дообученный для отнесения комментариев к одному из трёх классов: положительному, нейтральному или отрицательному. Он предназначен для анализа комментариев на непальском и английском языках о пограничном споре между Непалом и Индией. Модель обучена на наборе примерно из 2100 комментариев YouTube с 17 непальских новостных и авторских каналов; около 1800 примеров имели автоматически размеченную тональность. На проверочной выборке указаны точность и взвешенный F1 около 0,50 при случайном базовом уровне точности 0,33. Архитектура — XLM-RoBERTa-base с головой классификации последовательностей; размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Лицензия — MIT.

OpenMed-NER-OrganismDetect-ModernMed-395M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это дообученный ModernBERT для классификации токенов с метками B-SPECIES и I-SPECIES; размер составляет 394,7 млн параметров, а контекст — до 8192 токенов. Модель обучена на корпусе SPECIES800 и принимает токенизированный текст, выдавая BIO-разметку сущностей. Модель предназначена для извлечения названий видов из биомедицинской литературы и других текстов, а также для анализа упоминаний организмов в исследованиях биоразнообразия и таксономии. В README указаны F1 0,76, точность 0,78 и полнота 0,74. Эти показатели относятся к SPECIES800; качество на иных текстах может отличаться. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Это дообученный BERT-классификатор токенов с 433,9 млн параметров и контекстом до 512 токенов. Модель выделяет названия видов, включая научные и общеупотребительные, и присваивает токенам метки BIO: B-SPECIES и I-SPECIES. Она обучена на корпусе SPECIES800, содержащем аннотации упоминаний организмов в научных аннотациях. Модель предназначена для извлечения видов из биомедицинской литературы и других текстов, где требуется идентификация организмов и таксономическая обработка. В README приведены показатели на SPECIES800: F1 0,84, точность 0,84, полнота 0,85 и accuracy 0,97. Метаданные указывают английский язык. Лицензия — Apache-2.0. README также описывает более широкие сценарии вроде клинического анализа и мониторинга нежелательных явлений, однако заявленная задача модели ограничена распознаванием сущностей видов; показатели для этих сценариев отдельно не приведены.

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-66M — модель для распознавания упоминаний видов организмов в биомедицинских текстах. Она основана на DistilBERT и дообучена для классификации токенов на корпусе SPECIES800; размер TinyMed-66M указан в названии модели. Модель выделяет названия видов, включая научные и общеупотребительные, и помечает их тегами B-SPECIES и I-SPECIES. Модель предназначена для извлечения организмов из научных аннотаций, исследовательских публикаций и других биомедицинских текстов, а также для анализа биоразнообразия и таксономических упоминаний. В README приведены F1 0,78, точность 0,77 и полнота 0,79 на SPECIES800. Контекст ограничен 512 токенами; модель не предназначена для обнаружения лекарств или лекарственных взаимодействий, несмотря на упоминание таких сценариев в карточке. Лицензия — Apache-2.0.