I.14Автоматизация процессов и AI-агенты

RetrievalRouter-lambda-l70 — контрольная точка маршрутизатора поиска по документам, разработанная для работы по запросу из статьи RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval. Модель на основе Qwen3-0.6B-Base с адаптерами LoRA кодирует текстовый запрос в вектор размерности 1024 и выбирает один из пяти вариантов поискового конвейера: текстовый или мультимодальный поиск, с плотным поиском и возможным поздним переранжированием. Параметр λ=0,7 задаёт компромисс в пользу меньшей задержки при сохранении качества поиска. Модель предназначена для систем RAG и поиска по документам, где заранее подготовлено несколько индексов и поисковых конвейеров. Она классифицирует запрос, чтобы направить его в подходящий конвейер до начала поиска; сама документы не извлекает и не ранжирует. Обучена на английских запросах из финансовых, научных и открытых корпусов; применение к другим языкам и областям не проверено. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — MIT.

SGuard-ContentFilter-2B — компактная модель-ограничитель для проверки безопасности запросов и ответов в диалогах с ИИ. Её разработала исследовательская команда Samsung SDS на основе IBM Granite 3.3 2B Instruct; модель дообучена на примерно 400 тысячах размеченных вредоносных запросов и ответов. Это плотная авторегрессионная архитектура Granite с 2,5 млрд параметров, поддержкой чата и контекстным окном 131 072 токена. Модель присваивает каждой из пяти категорий риска — преступления, манипуляции, приватность, сексуальный контент и насилие — оценку «безопасно» или «небезопасно» и соответствующие показатели уверенности. Пороги для категорий можно настраивать. Основные языки обучения — корейский и английский; базовая модель поддерживает также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, нидерландский и китайский, но качество проверки на них не гарантируется. Для работы с классификатором рекомендуется подавать не более 8 тысяч токенов, несмотря на более длинный контекст базовой модели. Модель предназначена для фильтрации контента в конвейерах безопасности и может использоваться с различными LLM. Это не универсальный диалоговый помощник: она выявляет только риски, предусмотренные обучением, может ошибаться на пограничных и специализированных примерах и уязвима к новым атакам и промптам на языках с малым объёмом данных. Лицензия — Apache-2.0.

prhegde/t5-query-reformulation-RL — генеративная модель для переформулирования поисковых запросов. Это модель типа T5 с архитектурой encoder-decoder и примерно 123,8 млн параметров, разработанная на основе Google T5-base. Она сначала обучалась на парах запросов MS MARCO, а затем дообучалась с подкреплением методом policy gradient, чтобы создавать разнообразные и релевантные варианты запросов. Модель предназначена для расширения охвата поиска: переформулированные запросы можно использовать со sparse retrieval, например BM25. Сценарии применения включают веб-поиск, поиск в электронной коммерции, информационный поиск, а также подготовку запросов для виртуальных помощников и чат-ботов. Она принимает текстовый запрос и генерирует его текстовые варианты; указанный родной контекст — 512 токенов. Карточка ориентирует модель на английский язык. Лицензия — Apache-2.0. Разнообразие генерации можно настраивать семплированием и штрафом за повторения. Награды при обучении рассчитывались эвристически, поэтому качество может зависеть от предметной области и целевой функции; README допускает замену наград на специализированные. Оценки качества и гарантии пригодности для конкретного поискового домена в карточке не приведены.

Terminal-data_processing — дообученная на базе Qwen/Qwen3-8B языковая модель от автора репозитория cuong1692001. Она предназначена для генерации текста в диалоговом формате и обработки данных терминального типа; обучение проводилось на наборах nemotron_easy_data_processing, nemotron_medium_data_processing и nemotron_mixed_data_processing. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; максимальный контекст составляет 40 960 токенов. Модель подходит для сценариев, где требуется преобразовать или обработать структурированные данные по текстовому запросу. Карточка не приводит конкретных результатов оценки или подробных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

Vintern-1B-v2 (Viet-InternVL2-1B-v2) — мультимодальная модель 5CD-AI для ответов на вопросы по изображениям на вьетнамском языке. Она дообучена на базе OpenGVLab/InternVL2-1B и сочетает визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую часть Qwen2-0.5B-Instruct. Модель имеет около 1 млрд параметров и контекст 4096 токенов. Модель предназначена для OCR-VQA, вопросов и ответов по документам и графикам, распознавания текста и общего визуального вопросно-ответного взаимодействия. В карточке описано дообучение на более чем 3 млн специализированных пар «изображение — вопрос — ответ»; авторы также указывают сценарии использования на устройствах с ограниченными ресурсами. Для дообучения приводится вариант с GPU T4 в Google Colab. Вьетнамский язык — основной; метаданные также указывают английский. README сообщает о сравнительной оценке на вьетнамских визуальных задачах, но отмечает, что использованные метрики являются предварительными. Модель распространяется по лицензии MIT.

GreenMap/yolo11x-blueprint-layout-detector — модель обнаружения объектов на архитектурных планах и строительных чертежах, разработанная GreenMap на основе YOLO11x. Она выделяет основную область чертежа, блоки условных обозначений и штампы с названием и метаданными. Модель обучена на архитектурных планировках и строительных чертежах и использует Ultralytics YOLO; размер входа при обучении составлял 1472 × 1472 пикселя. Модель подходит для автоматической разметки чертежей и извлечения их основных областей перед последующей обработкой. В README приведены метрики валидации для 178 изображений: общие precision 0,971, recall 0,964 и mAP50 0,984. Указанные метрики не гарантируют такую же точность на других типах чертежей или данных. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Это модель для ответов на вопросы, созданная дообучением albert-base-v1 на датасете SQuAD. Она принимает вопрос и текстовый контекст и извлекает из контекста ответ. Модель предназначена для систем поиска ответов по документам и справочным материалам; оценка на валидационном наборе приведена как loss 0,9426. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. Поддерживает английский язык, поскольку обучена на англоязычном SQuAD. Опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит дополнительных сведений о метриках качества или ограничениях применения.

y22ma/alibaba-modernbert-router — англоязычная модель классификации текста, разработанная y22ma на базе Alibaba-NLP/gte-modernbert-base и дообученная с помощью Unsloth и TRL. Она предназначена для отнесения текста к классам; конкретные классы и сценарий маршрутизации в карточке не описаны. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

CodeGen-NL 2B — авторегрессионная плотная языковая модель семейства CodeGen, разработанная Salesforce для синтеза программ. Это чекпойнт с 2 млрд обучаемых параметров, предварительно обученный на датасете The Pile, включающем данные с кодом. Модель принимает текстовые подсказки на естественном языке и программный код и генерирует продолжение текста или кода; особенно рассчитана на создание исполняемого кода по инструкциям на английском языке, оформленным как комментарии, и на дополнение частично написанного кода. Модель предназначена для генерации кода и может использоваться для прототипирования функций, завершения фрагментов программы и экспериментов с программным синтезом. Архитектура — CodeGenForCausalLM, формат весов — PyTorch, длина контекста — 2048 токенов. В README упомянута оценка на HumanEval и MTPB, но результаты здесь не приведены. Лицензия — BSD 3-Clause. Разработчик отмечает исследовательское назначение релиза и рекомендует отдельно оценивать точность, безопасность и справедливость перед применением; качество не гарантировано для всех задач.

ml6team/distilbart-tos-summarizer-tosdr — модель абстрактивного суммирования условий использования сайтов и других документов T&C, разработанная командой ML6 и дообученная на данных TOSDR. Она предназначена для использования в конвейере, где предварительный этап LSA извлекает и сокращает исходный текст, а модель формирует итоговое краткое изложение. Модель построена на архитектуре BART и содержит 152,1 млн параметров. Она принимает текст и генерирует текстовое резюме; поддерживаемый язык — английский, максимальная длина контекста составляет 1024 токена. Модель основана на sshleifer/distilbart-cnn-6-6 и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Это компактная плотная языковая модель семейства Llama, разработанная как дообученная версия meta-llama/Llama-3.2-1B-Instruct. Она предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 1,2 млрд параметров, принимает текст и выдаёт текст, работает через библиотеку Transformers и распространяется в формате safetensors. Нативная длина контекста — 131 072 токена; в тегах указана поддержка нескольких языков, но список языков не приведён. Название репозитория указывает на дообучение с использованием HarmData, AlpacaGPT4, OpenWebText и RefusalData, однако README не раскрывает детали обучения, цели настройки или результаты оценки. Модель может подойти для прототипирования диалоговых приложений и генерации ответов, но качество и поведение на конкретных задачах требуют отдельной проверки. Лицензия — Llama 3.2; использование регулируется условиями лицензии Meta Llama 3.2.

DoDuyTTS — многоязычная модель синтеза речи, созданная на основе k2-fsa/OmniVoice. Она поддерживает более 600 языков, синтез речи по тексту в режиме zero-shot, клонирование голоса и создание голосового образа. Архитектура основана на диффузионной языковой модели; веса опубликованы в формате Safetensors, а для работы предназначен пакет doduytts. Модель рассчитана на озвучивание текста, создание речи заданным голосом и потоковый синтез в серверных сценариях. В README заявлена скорость инференса до RTF 0,025 на GPU; пакет также включает сервер с потоковой обработкой предложений и динамическим микробатчингом. Репозиторий указывает лицензию Apache-2.0. Клонировать голос можно только при наличии разрешения: README запрещает несанкционированную имитацию голоса и незаконное или неэтичное использование.

vblagoje/dpr-question_encoder-single-lfqa-wiki — англоязычный энкодер вопросов на архитектуре DPRQuestionEncoder, разработанный Владимиром Благоевичем. Он преобразует вопрос в векторное представление для поиска подходящих фрагментов текста в системе извлечения ответов на вопросы. Модель обучена в два этапа с использованием DPR-форматированных пар вопросов и ответов из LFQA, а затем примеров, отобранных из индекса Википедии. Модель содержит 136,7 млн параметров, принимает текстовые вопросы с контекстом до 512 токенов и выдаёт векторные представления вопросов. Её можно использовать как вопросную часть плотного ретривера для поиска по корпусу; для полной системы нужен совместимый энкодер контекста, например парная модель vblagoje/dpr-ctx_encoder-single-lfqa-wiki. Модель опубликована в форматах PyTorch и Safetensors под лицензией MIT. По описанию авторов, ретривер немного уступает результату REALM на бенчмарке KILT; качество поиска также зависит от корпуса и совместимости энкодера контекста.

GLiNER2-base-v1-RAMS — модель извлечения информации, дообученная на базе fastino/gliner2-base-v1 для выделения событий в тексте. Она извлекает тип события, триггер и типизированные аргументы; обучающий набор RAMS включает 139 типов событий и 65 ролей аргументов и предназначен для англоязычного многопредложного текста. В README также заявлены задачи извлечения сущностей и отношений, а метаданные относят модель к token classification. На отложенной тестовой выборке F1 для определения типа события составил 0,993, для триггера — 0,935–0,937, а для аргументов — 0,462–0,686 в зависимости от строгой или мягкой оценки. Результат по аргументам заметно ниже, поэтому извлечённые роли могут требовать проверки. Модель опубликована в формате safetensors и использует библиотеку gliner2. Лицензия указана как other; условия лицензии в предоставленных данных не раскрыты.

whr778/gliner2-large-v1-rams — модель извлечения событий из текста, дообученная разработчиком на базе fastino/gliner2-large-v1 с использованием набора RAMS. Она выделяет тип события, его триггер и аргументы с типизированными ролями в нескольких предложениях; карточка также описывает семейство GLiNER2 как систему для извлечения сущностей и отношений и классификации текста. Модель рассчитана на англоязычные тексты и охватывает 139 типов событий и 65 ролей аргументов из RAMS. В слепом тестировании F1 для типов событий составил 0,998, для триггеров — 0,903 строго и 0,907 в расслабленной оценке, для аргументов — 0,444 и 0,697 соответственно. Это указывает на заметно более слабое извлечение аргументов по сравнению с определением событий и триггеров. Модель использует библиотеку gliner2, веса представлены в формате safetensors. Лицензия указана как other; подробные условия следует проверить в репозитории модели и источнике данных RAMS.

Healthcare Brain NER — модель распознавания именованных сущностей от Genzeon Platforms для обнаружения и обезличивания защищённой медицинской информации (PHI) и персональных данных (PII) в клиническом тексте. Это BERT-модель для классификации токенов на основе Bio_ClinicalBERT, дообученная с BIO-разметкой; README также упоминает постобработку по правилам. В метаданных указаны архитектура BertForTokenClassification, 135,5 млн параметров и контекст 512 токенов. Модель предназначена для поиска 20 типов чувствительных сущностей в медицинских записях, выписках, направлениях и других неструктурированных клинических документах. Её можно применять для подготовки текстов к повторному использованию, исследованиям и последующим NLP-процессам с учётом конфиденциальности. README приводит метрики на тестовых данных, но отмечает, что обучение преимущественно опирается на синтетические шаблонные данные, поэтому качество на разнообразной реальной документации может отличаться. Модель рассчитана на английский язык. Для документов длиннее 512 токенов рекомендуется обработка фрагментами с перекрытием, а для критичных процессов — проверка результатов специалистом. Лицензия — Apache-2.0.

DanswerAI разработала эту модель для классификации пользовательских запросов в системе Danswer. Это многоклассовый классификатор на базе DistilBERT, дообученный от distilbert-base-uncased. Он относит запросы к категориям поиска по ключевым словам, семантического поиска и прямого ответа на вопрос; карточка указывает контекст до 512 токенов и формат TensorFlow. Модель предназначена для маршрутизации запросов в системе вопросов и ответов Danswer. Она помогает выбрать подходящий сценарий поиска или ответа по типу пользовательского намерения. Лицензия — MIT. По карточке, модель обучена на небольшом наборе данных, поэтому её качество и переносимость на другие запросы или предметные области могут быть ограничены.

Llama Guard 3-1B — модель Meta, дообученная на базе Llama 3.2-1B для классификации безопасности текста. Она проверяет запросы пользователей и ответы языковых моделей, генерируя метку safe или unsafe и, для небезопасного содержания, обозначения нарушенных категорий по таксономии из 13 типов опасностей MLCommons. Архитектура — плотная авторегрессионная Llama, около 1,2 млрд параметров; контекст — до 131 072 токенов. Модель рассчитана на работу через Transformers и ориентирована на более экономичную по сравнению с крупными версиями модерацию.

Mavro LLM 3B — языковая модель Farhan45876, дообученная на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная причинная модель семейства Qwen2 для генерации текста и диалогового общения; доступна через Transformers в формате safetensors и поддерживает интерфейс вызова инструментов. Модель подходит для создания ответов в чате и генерации текста на английском языке. Размер составляет 3,1 млрд параметров, длина контекста — до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. README не описывает специализацию дообучения или результаты оценки качества, поэтому возможности сверх общей генерации текста не подтверждены.

Medical Prescription OCR TrOCR Small — модель распознавания текста на изображениях, дообученная в Kaggle на базе microsoft/trocr-small-handwritten. Она использует архитектуру TrOCR vision-encoder-decoder и предназначена для чтения строковых фрагментов медицинских рецептов. Модель принимает изображения отдельных строк рецепта и выдаёт распознанный текст. В README указаны 20 250 обучающих, 2 526 валидационных и 2 517 тестовых строк; на тестовой выборке CER составила 0,0184 для строк и 0,0128 для полных рецептов, а точность слов — 0,9756 и 0,9865 соответственно. Результаты описывают конкретную выборку и не гарантируют такого же качества на других почерках, языках, форматах рецептов или изображениях. Для применения нужны изображения рецептов, нарезанные на строки; язык распознавания и условия лицензии в предоставленных материалах не обозначены.

ModernBERT-TR Guardrail — турецкий классификатор безопасности пользовательских запросов, разработанный ytu-ce-cosmos и дообученный на базе ytu-ce-cosmos/modernbert-tr-base. Модель с архитектурой ModernBERT содержит около 148,7 млн параметров и принимает текстовые запросы длиной до 8192 токенов. Одна многометочная голова выдаёт 11 вероятностных оценок: общую оценку небезопасности и оценки по категориям угроз. Её можно использовать для проверки турецких запросов перед передачей генеративной модели, а также для маршрутизации и журналирования результатов. Категории основаны на таксономии MLCommons, адаптированной авторами; обучение включало безопасные запросы и сложные отрицательные примеры. Модель предназначена для турецких пользовательских запросов, а не для проверки ответов ассистента; качество на других языках не заявлено. Пороговые значения не заданы, поэтому вероятности требуют собственной калибровки и политики принятия решений. Возможны ошибки на неоднозначных и состязательных запросах, а категории, требующие актуальных знаний, распознаются хуже. Лицензия — Apache-2.0.

NVIDIA Nemotron-3-Super-120B-A12B-Base — базовая большая языковая модель, обученная NVIDIA с нуля для дальнейшего дообучения, в том числе под следование инструкциям и генерацию кода. Это не чат-модель, а исходная платформа для разработчиков и исследователей, создающих специализированные языковые модели и AI-агентов. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, а также отдельными слоями Attention и Multi-Token Prediction. В README заявлены 120 млрд параметров всего и 12 млрд активных; метаданные Hugging Face указывают 6,6 млрд параметров. Поддерживается контекст до 1 048 576 токенов. Модель принимает и генерирует текст; заявлена поддержка 20 языков, включая русский, английский и китайский. Обучение велось более чем на 25 трлн токенов с NVFP4 для повышения вычислительной эффективности; MTP может ускорять генерацию с помощью speculative decoding. Модель предназначена для коммерческого использования. В метаданных указана лицензия other, поэтому конкретные условия следует сверять с лицензией и условиями распространения NVIDIA. Для запуска NVIDIA ориентирует на GPU-системы, в частности Ampere, Hopper и Blackwell; применение требует проверки на данных конкретного сценария. Это базовая модель, поэтому готовое следование инструкциям или качество чат-ответов не гарантируются.

OpenMed-PII-BioClinicalModern-Large-395M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токен-классификации версия BioClinical-ModernBERT-large: архитектура ModernBERT, около 394,7 млн параметров, окно контекста 8192 токена. Модель обучена на наборе NVIDIA Nemotron-PII и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, финансовые и контактные данные. Модель предназначена для поиска и последующего удаления или маскирования персональных данных в клинических записях, медицинских документах и корпусах текстов, а также для подготовки данных к исследованиям и аудиту приватности. В README приведён результат micro-F1 0,9579 на тестовой выборке из 2000 примеров; показатели различаются между категориями, а для дат, уровня образования и языка отмечены более сложные случаи. Основной язык — английский. Результаты следует проверять человеком: модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии. Распространяется по лицензии Apache-2.0.

OpenMed-PII-BiomedBERT-Base-110M-v1 — англоязычная модель OpenMed на архитектуре BERT, дообученная для токенной классификации и обнаружения 54 типов персональных и чувствительных данных в тексте. Она принимает текст и помечает сущности, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель основана на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей и других документов, подготовки наборов данных и аудита коллекций документов. В карточке указана оценка micro F1 0,9497 на тестовой выборке из NVIDIA Nemotron-PII; качество различается по типам сущностей, а для некоторых категорий, включая время, PIN-коды и сексуальность, оно ниже. Модель следует использовать как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски, а качество может меняться на специализированной терминологии. Лицензия — Apache-2.0.

OpenMed-PII-FastClinical-Small-82M-v1 — англоязычная модель OpenMed для обнаружения персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель RoBERTa для классификации токенов; она размечает 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, контактные и финансовые данные. Модель предназначена для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат safetensors. Карточка приводит Micro F1 0,9511 на тестовой выборке из 2 000 примеров Nemotron-PII, но качество зависит от типа сущности и контекста: у некоторых категорий точность ниже. Лицензия — Apache-2.0.

OpenMed-PII-French-BioClinicalModern-Large-395M-v1 — модель OpenMed для обнаружения и классификации персональных данных в текстах на французском языке. Это дообученная модель токенной классификации на архитектуре ModernBERT с 394,7 млн параметров и контекстом до 8192 токенов. Она размечает 54 типа сущностей, включая имена, адреса, контакты, финансовые и медицинские идентификаторы. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других французских текстах, чтобы поддерживать обезличивание, подготовку наборов данных и аудит документов. В README приведён результат micro F1 0,9625 на французской части AI4Privacy; обучение описано как выполненное на BIO-разметке AI4Privacy PII Masking 400k. Автор указывает Apache-2.0 и называет модель готовой для производственных конвейеров. При этом она служит вспомогательным средством: возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии; для важных случаев нужна проверка человеком. Модель оптимизирована для французского языка и может хуже работать на других языках.

OpenMed разработала OpenMed-PII-German-SuperClinical-Large-434M-v1 — модель разметки токенов на базе DeBERTa V3 Large, дообученную для обнаружения и классификации персональных и других чувствительных данных в немецком тексте. Она распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для обезличивания клинических записей и документов, подготовки исследовательских наборов данных и поиска чувствительной информации при аудите. В README указана оценка F1 0,9761 на немецкой части набора AI4Privacy PII Masking 400k. Модель имеет 533,8 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки сущностей для токенов в формате BIO. Она оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Авторы предупреждают, что модель может пропускать персональные данные и рекомендуют проверять результаты человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicDischarge-Base-110M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в итальянском тексте. Она предназначена для разметки токенов с типами чувствительных сведений, включая имена, адреса, идентификаторы, контакты и медицинские данные, в клинических заметках, выписках и других документах. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. По данным карточки, она обучена на итальянской части набора AI4Privacy PII Masking 400k и показывает micro F1 0,9306 на этой выборке. Результаты могут снижаться на других типах текста и терминологии; пропуски PII возможны, поэтому критические результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Italian-mLiteClinical-Base-135M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная версия многоязычного DistilBERT с архитектурой DistilBertForTokenClassification; модель содержит 135 млн параметров, принимает текстовые последовательности длиной до 512 токенов и размечает чувствительные фрагменты по BIO-схеме. Карточка сообщает о 54 типах сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска персональных данных в клинических записях, медицинских документах и других текстовых коллекциях, чтобы поддерживать обезличивание, подготовку данных и аудит. На итальянской части AI4Privacy PII Masking 400k указана оценка micro F1 0,9525. Модель рассчитана прежде всего на итальянский язык и может использоваться в конвейерах обработки текста. Карточка рекомендует применять модель как вспомогательный инструмент с проверкой человеком: часть чувствительных данных может быть пропущена, а качество зависит от терминологии и контекста. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-ModernMed-Base-149M-v1 — англоязычная модель OpenMed для выявления и классификации персональных и других чувствительных данных в тексте. Это дообученная для разметки последовательностей encoder-модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она построена на answerdotai/ModernBERT-base и доступна через библиотеку Transformers. Модель распознаёт 54 типа сущностей, включая имена, адреса, контактные данные, идентификаторы, медицинские сведения и финансовую информацию. Она предназначена для поиска и удаления чувствительных данных из клинических записей и документов, подготовки наборов данных и аудита коллекций. На тестовой выборке из NVIDIA Nemotron-PII карточка сообщает micro F1 0,9514. Модель рассчитана прежде всего на английский текст. Возможны пропуски чувствительных данных, а качество зависит от предметной области; для важных сценариев обнаруженные сущности и пропуски следует проверять человеком. Распространяется по лицензии Apache-2.0.