I.14Автоматизация процессов и AI-агенты

RT-DETR-L_wired_table_cell_det — модель PaddlePaddle для обнаружения ячеек в изображениях таблиц. Она находит области ячеек и выдаёт их ограничивающие рамки, которые затем использует конвейер распознавания таблиц для дальнейшей обработки. README указывает на совместное тестирование точности с моделью RT-DETR-L_wireless_table_cell_det. Модель предназначена для этапа обнаружения ячеек в задачах распознавания таблиц и может использоваться как компонент общего конвейера PaddleOCR, который извлекает данные из таблиц и формирует HTML или Excel. В метаданных указаны PaddleOCR и языки en и zh; сама задача обнаружения ячеек ориентирована на визуальную структуру, а не на распознавание текста. Репозиторий распространяется по лицензии Apache-2.0. README не приводит отдельной оценки качества для этой модели: отмечено, что результат получен при совместном тестировании с вариантом для беспроводных таблиц.

SmolLM2-1.7B-Instruct — компактная языковая модель Hugging Face на 1,7 млрд параметров, дообученная на базе HuggingFaceTB/SmolLM2-1.7B. Это плотный Transformer-декодер семейства Llama для генерации текста и диалогов; модель поддерживает контекст до 8192 токенов и рассчитана на запуск на устройстве. Версия Instruct прошла supervised fine-tuning и Direct Preference Optimization. Она предназначена для следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Модель ориентирована прежде всего на английский язык; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache-2.0. По сравнению с предыдущей версией семейства улучшены следование инструкциям, знания, рассуждения и математика, однако ответы могут содержать фактические ошибки, быть логически непоследовательными или отражать смещения обучающих данных. Важную информацию следует проверять; модель не заменяет экспертную оценку.

SmolLM2-1.7B-Instruct — компактная диалоговая языковая модель семейства SmolLM2, опубликованная Hugging Face и размещённая в репозитории Unsloth. Это плотная Llama-совместимая модель с 1,7 млрд параметров, рассчитанная на генерацию текста и работу по инструкциям; длина контекста — до 8192 токенов. Версия Instruct создана дообучением с учителем и оптимизацией предпочтений (SFT и DPO) на основе открытых и курируемых наборов данных. Модель подходит для диалогов, следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Компактный размер делает её пригодной для локального запуска и приложений с ограниченными ресурсами. В карточке отдельно упомянуты улучшения по сравнению с SmolLM1-1.7B в следовании инструкциям, знаниях, рассуждениях и математике; это не гарантирует точность ответов во всех сценариях. Поддерживаемый язык — английский. Лицензия — Apache 2.0.

StructuredThinker-v0.2-MoreStructure — объединённая автором Ahdoot языковая модель для генерации текста и диалогового взаимодействия. Она создана методом DARE TIES с помощью mergekit на основе Qwen/Qwen2.5-3B-Instruct с включением prithivMLmods/QwQ-LCoT-3B-Instruct и PowerInfer/SmallThinker-3B-Preview. Модель имеет плотную архитектуру Qwen2 с 3,1 млрд параметров, рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для диалогов, следования инструкциям и генерации структурированных ответов; интерфейс также предусматривает вызов инструментов. Карточка не сообщает отдельные результаты оценки качества или список поддерживаемых языков. Лицензия в предоставленных данных не указана.

SuperQwen3.8-abliterated-Venice-i1-GGUF — набор GGUF-квантизаций модели SuperQwen3.8-abliterated-100-fp8, разработанной Jiunsong и квантованной mradermacher. Модель предназначена для локального запуска задач генерации текста, рассуждений, работы с изображениями и текстом, вызова инструментов и сценариев с длинным контекстом. В карточке также указана поддержка английского и корейского языков. Это мультимодальная vision-модель с архитектурой и размером исходной модели, а также максимальной длиной контекста, не указанными в README. Доступны варианты i1-квантизации от i1-Q2_K размером около 11 ГБ до i1-Q6_K размером около 22,5 ГБ, включая IQ-квантизации. Разные варианты позволяют выбирать компромисс между размером, скоростью и качеством; для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. К сильным сторонам относятся мультимодальность, поддержка рассуждений, tool-calling, длинного контекста и широкий выбор квантизаций, включая варианты, оптимизированные по матрице важности. Ограничения — отсутствие в README точных сведений о характеристиках архитектуры, контекстном окне, производительности и качестве на тестах; качество также зависит от выбранного уровня квантизации. Модель распространяется по лицензии Apache-2.0.

TensorFluxEmbedder — англоязычная модель векторных представлений текста, дообученная IstishadAlamTishad на базе nomic-ai/modernbert-embed-base для семантического поиска. Она охватывает общий язык, веб-поиск, научную литературу и юридические документы и предназначена для получения эмбеддингов запросов и документов в сценариях информационного поиска и RAG. Модель построена на ModernBERT, содержит 149 млн параметров и принимает до 8192 токенов. Размер эмбеддинга можно сокращать при использовании с 768 до 512, 256, 128 или 64 измерений без повторного обучения; в README вариант 256 измерений рекомендован для поиска с низкой задержкой и меньшим расходом памяти. Для лучшего качества поиска нужно задавать префикс search_query: для запросов и search_document: для документов. В README приведены результаты оценки на наборах SciFact и юридическом корпусе; качество зависит от размерности и конкретного корпуса. Модель обучена только на английских текстах, длинные входы свыше 8192 токенов обрезаются, а эффективность на других языках и юридических коллекциях не подтверждена. Она оптимизирована для плотного поиска и не предназначена для классификации, NLI или работы как cross-encoder. Лицензия — Apache-2.0.

Xenova/trocr-small-printed — веб-совместимая версия модели microsoft/trocr-small-printed, подготовленная с весами в формате ONNX для работы через Transformers.js. Модель предназначена для распознавания печатного текста на изображениях и преобразования его в текст, поэтому подходит для сценариев OCR в браузерных и JavaScript-приложениях. Из доступных данных известно, что модель относится к семейству TrOCR и имеет вариант small; поддерживает задачу image-to-text и распространяется с ONNX-весами. Сведения о точной архитектуре, количестве параметров, поддерживаемых языках, размере контекста и конкретных показателях качества в карточке не указаны. Лицензия также не указана; условия использования следует уточнять в исходном репозитории microsoft/trocr-small-printed.

UVDoc — модель PaddlePaddle для геометрической коррекции изображений документов. Она выправляет наклон, перспективные искажения и деформации страницы, чтобы улучшить качество последующего распознавания текста. Модель рассчитана на использование как этап предварительной обработки в системах OCR и конвейерах анализа документов, включая PP-StructureV3. В README приведён результат CER 0,179 на тестовом наборе DocUNet; это показатель из указанного бенчмарка, а не гарантия качества на других данных. Модель распространяется под лицензией Apache-2.0. Метаданные указывают языки en и zh; карточка описывает именно коррекцию изображений, а не самостоятельное распознавание текста.

Это ONNX-экспорт модели UVDoc для выравнивания фотографий документов с перспективными и криволинейными искажениями. Исходную архитектуру UVDoc, основанную на ResNet encoder-decoder, разработали Floor Verhoeven, Tanguy Magne и Olga Sorkine-Hornung из ETH Zurich; модель опубликована на SIGGRAPH Asia 2023. Данный вариант изменён для выдачи координатной сетки, а не готового изображения. На вход подаётся RGB-изображение, нормализованное в диапазон [0, 1] и приведённое к размеру 720×496. На выходе — сетка координат 45×31 с двумя каналами в диапазоне [-1, 1], которую можно применить через cv2.remap() для разворачивания документа в исходном разрешении. Репозиторий содержит модель в формате ONNX и распространяется по лицензии Apache-2.0. Модель предназначена для предобработки снимков документов перед OCR и для коррекции их формы. Ей нужны видимые текст или другие детали на документе для оценки сетки; сильные перспективные искажения могут обрабатываться хуже. По данным README, CPU-инференс занимает около 100–200 мс на изображение.

Sagicc/whisper-base-sr-yodas — модель распознавания речи на базе Whisper от OpenAI, дообученная на наборе данных YODAS. Она предназначена для преобразования аудио в текст; метаданные указывают на поддержку аудио на входе, а карточка приводит результаты оценки: WER 0,2450 и WER Ortho 0,3334. В репозитории указано 51,7 млн параметров и формат safetensors. Модель распространяется по лицензии Apache-2.0.

armvectores/yolov8n_handwritten_text_detection — модель обнаружения объектов на базе YOLOv8, дообученная на наборе данных armvectores/handwritten_text_detection для поиска рукописного текста на изображениях. Она предназначена для локализации областей с рукописным текстом, в том числе в сценариях обработки документов и изображений в реальном времени. В карточке указана итоговая метрика IoU 0,98; веса представлены в формате PyTorch и для использования описана библиотека Ultralytics. Лицензия в предоставленных данных не указана.

ZEUS-8B-V17-abliterated — текстовая диалоговая модель, созданная T145 с помощью mergekit методом passthrough из T145/ZEUS-8B-V17 и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 7,1 млрд параметров и рассчитанная на генерацию текста и диалоговые сценарии. Метаданные указывают контекстное окно до 131 072 токенов и поддержку интерфейса вызова инструментов. Модель принимает текст и генерирует текст; карточка не приводит специальных предметных областей или перечня поддерживаемых естественных языков. В README опубликованы результаты Open LLM Leaderboard, включая 75,76% на IFEval и 31,52% на BBH. Эти оценки отражают отдельные тесты и не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

ZEUS 8B V17 – ABLITERATED V4 — диалоговая языковая модель, созданная T145 слиянием нескольких моделей семейства Llama 3.1 методом DARE TIES. В объединение вошли инструкционные и uncensored-варианты, включая unsloth/Meta-Llama-3.1-8B-Instruct; всего около 7,5 млрд параметров. Модель использует архитектуру LlamaForCausalLM и формат safetensors, поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии и вызов инструментов через соответствующий интерфейс. В README приведены результаты оценивания Open LLM Leaderboard, в том числе 72,28% на IFEval и 30,97% на BBH; эти показатели не гарантируют качества на конкретных задачах. Модель позиционируется как abliterated и uncensored, поэтому может выдавать нежелательный или небезопасный контент. Лицензия — llama3.1.

Это текстовая авторегрессионная модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и 1,7 млрд параметров. Репозиторий содержит контрольную точку в стандартном формате Hugging Face Transformers на основе safetensors; карточка описывает её как резервную копию исследовательского артефакта. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов в чате и генерации продолжений текста; метаданные также указывают интерфейс для вызова инструментов. Заявленная длина контекста — 40 960 токенов. Карточка не сообщает о специальной предметной области или поддерживаемых естественных языках. Условия лицензии в предоставленных данных не приведены, поэтому их нельзя определить по карточке.

DCAgent/a1-stack_bash — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием LLaMA Factory. Репозиторий содержит веса в формате safetensors; число параметров — 7,6 млрд, нативная длина контекста — 40 960 токенов. Модель предназначена для генерации диалогового текста; название и описание обучающего набора указывают на специализацию на задачах, связанных с Bash и тестами. Базовая Qwen3-8B поддерживает несколько языков, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Карточка не приводит отдельные оценки качества или подробностей обучения этой версии. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Amadeus-Verbo-MI-Qwen-2.5-14B-PT-BR-Instruct-Experimental — объединённая SLERP-модель семейства Qwen2.5, созданная Amadeus AI на основе Qwen/Qwen2.5-14B-Instruct и AmadeusAI/AV-BI-Qwen2.5-14B-PT-BR-Instruct. Это плотная авторегрессионная языковая модель с 14 млрд параметров для диалогов и генерации текста; поддерживает интерфейс вызова инструментов. Модель принимает текстовые запросы и выдаёт текстовые ответы, рассчитана прежде всего на португальский язык Бразилии. Контекст составляет 32 768 токенов, для запуска README рекомендует актуальную версию Transformers. Модель подходит для чат-ботов, ответов на вопросы, написания и преобразования текста на португальском языке. Заявленные данные не описывают специальные предметные области или результаты сравнительных оценок качества. Распространяется по лицензии Apache-2.0.

AREX-2 — мультимодальная модель с 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) для работы в качестве агента с длительным циклом решения задач. Она дообучена на базе Qwen/Qwen3.8-27B и использует плотную архитектуру, совместимую с Qwen3.8; модель принимает текст и изображения и выдаёт текст. Контекст составляет 262 144 токена. Модель рассчитана на итеративное решение задач: она предлагает вариант, анализирует оценки, журналы, ошибки и затраченное время, затем пересматривает решение в нескольких раундах. Обучение охватывает алгоритмическое программирование и инженерные задачи машинного обучения с проверяемой обратной связью, а также данные AREX для глубоких исследований. Авторы сообщают о переносе навыка самоулучшения на задачи глубокого исследования. Модель предназначена прежде всего для исследований длительных агентных циклов, рассуждений и использования инструментов. Репозиторий распространяется под лицензией Apache-2.0. Для запуска README рекомендует актуальную версию Transformers с поддержкой Qwen3.8. Качество зависит от задачи и организации тестовых раундов; модель не следует считать автономным исполнителем без внешней среды, обратной связи и проверки результатов.

Armenian-Text-Embeddings-2-base — модель Metric-AI для преобразования армянских текстов в плотные векторные эмбеддинги. Она дообучена на базе intfloat/multilingual-e5-base и построена на архитектуре XLM-RoBERTa; содержит 305,2 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска на армянском языке, извлечения документов для RAG, сравнения сходства текстов, кластеризации и классификации. В карточке также заявлена обработка транслитерированных запросов и межъязыковое понимание; метаданные указывают на обучающий набор Reddit на армянском языке. Лицензия — MIT. Качество может снижаться на специализированной терминологии и культурных контекстах; карточка также отмечает возможные смещения, унаследованные от данных Reddit, и ограничения, связанные с качеством переводов.

Модель ganesh714/arq_m1_chairs_think_Q7b_C — дообученная языковая модель семейства Qwen2 на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Она построена на архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. В карточке нет подробностей о специализации дообучения или оценках качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Карточка модели fatymahaly/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

yalu977/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов, в частности для распознавания именованных сущностей. Она содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 0,9421, точность 0,9327 и полнота 0,9517; сведения о наборе данных и конкретных типах сущностей не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

osiria/bert-italian-cased-ner — модель BERT базового размера с учётом регистра, разработанная для распознавания именованных сущностей в итальянском тексте. Она дообучена на базе bert-base-italian-cased на датасете WikiNER и дополнительном наборе вручную размеченных абзацев из Википедии. Модель присваивает токенам метки четырёх классов: люди, места, организации и прочие сущности, включая события, товары и услуги. Она предназначена для извлечения сущностей из веб-страниц, новостей и других грамотных цифровых текстов. В README приведён результат F1 92,78 на тестовом наборе; метрики рассчитаны на уровне токенов и усреднены по классам. Модель имеет около 136,9 млн параметров, контекст до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель хуже подходит для шумных текстов с ошибками и сленгом, а также для узкоспециализированных медицинских, финансовых и юридических материалов. Лицензия — Apache-2.0.

Карточка модели ryanx0019/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

colbertv1-camembert-base-mmarcoFR — модель ColBERTv1 для семантического поиска на французском языке, созданная Antoine Louis на основе camembert-base. Она кодирует запросы и фрагменты документов в матрицы векторных представлений токенов и ранжирует фрагменты по контекстному сходству с помощью MaxSim; модель предназначена для поиска по крупным коллекциям и извлечения документов для систем RAG. Модель дообучена на французской части mMARCO — машинно переведённой версии MS MARCO. В README указаны размерность представлений 128, максимальная длина запроса 32 токена и фрагмента 256 токенов; метаданные указывают 137,8 млн параметров и нативный контекст 514 токенов. На тестовом наборе mMARCO-fr с 8,8 млн фрагментов она показала MRR@10 29,5 и R@100 80,0. Модель рассчитана на франкоязычный поиск по текстовым запросам и коллекциям документов. Индекс коллекции из 8,8 млн фрагментов в описанной конфигурации занимает около 28 ГБ. Лицензия — MIT.

Narsil/deberta-large-mnli-zero-cls — крупная модель классификации текста на базе DeBERTa Large, дообученная на задаче MNLI. Архитектура DeBERTa использует раздельное внимание к содержимому и позициям токенов и улучшенный декодер маски; в репозитории указано около 454,1 млн параметров, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации последовательностей и zero-shot-классификации: можно сопоставлять текст с наборами кандидатных меток, в том числе задавая метки без отдельного обучения на каждом наборе классов. Она работает с текстом на английском языке и может использоваться в сценариях понимания естественного языка и проверки текстовых гипотез. Модель распространяется по лицензии MIT. Показатели из README относятся к разным задачам и вариантам DeBERTa, поэтому их нельзя считать гарантированной оценкой качества именно этого чекпойнта на произвольных данных.

Модель tner/deberta-v3-large-ontonotes5 — дообученная T-NER версия Microsoft DeBERTa-v3-large для распознавания именованных сущностей. Она обучена на наборе tner/ontonotes5 и предназначена для выделения в тексте сущностей и их типов, включая имена людей, организации, географические объекты, даты, числа, суммы, события и произведения искусства. Архитектура — DeBERTa-v2 для классификации токенов; модель содержит 533,8 млн параметров и обрабатывает контекст длиной до 512 токенов. На тестовой части OntoNotes5 модель показала micro-F1 около 0,907. Результаты различаются по классам: например, F1 для персон составляет около 0,961, а для права и времени — около 0,676. Карточка рекомендует запускать модель через библиотеку T-NER; использование через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Язык обучения в карточке не указан, поэтому языковую поддержку нельзя надёжно определить. Лицензия в предоставленных данных не указана.

Карточка модели Sieddi/deepset-mxbai-embed-de-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/deepset-mxbai-embed-de-large-v1, поэтому описание составлено по ней. deepset-mxbai-embed-de-large-v1 — открытая модель эмбеддингов предложений, разработанная Mixedbread совместно с deepset. Она основана на intfloat/multilingual-e5-large и дообучена с функцией потерь AnglE на более чем 30 млн пар немецких данных. Модель использует архитектуру XLM-RoBERTa, содержит около 585,8 млн параметров и принимает текстовый контекст длиной до 514 токенов. Модель предназначена для поиска по смыслу и извлечения релевантных документов на немецком и английском языках. Для запросов требуется префикс «query: », для документов — «passage: ». Она поддерживает Matryoshka Representation Learning и бинарную квантизацию, что позволяет уменьшать размер эмбеддингов и затраты на хранение при сохранении значительной части качества. По данным авторов, средний результат на NDCG@10 составляет 51,7. Модель распространяется по лицензии Apache-2.0. Она рассчитана на получение векторных представлений текста; качество и применимость за пределами немецкого и английского языков в предоставленных материалах не описаны.

Davlan разработал distilbert-base-multilingual-cased-ner-hrl — мультиязычную модель распознавания именованных сущностей на базе DistilBERT, дообученную на корпусах новостных текстов. Она размечает токены как части имён людей (PER), организаций (ORG) и мест (LOC), а также как текст вне сущностей. Подходит для извлечения этих сущностей из текстов на арабском, немецком, английском, испанском, французском, итальянском, латышском, нидерландском, португальском и китайском языках. Модель использует архитектуру DistilBertForTokenClassification и поддерживает контекст до 512 токенов. Её можно применять через pipeline NER в Transformers для извлечения имён, компаний и географических названий из новостных и похожих текстов. Доступны форматы PyTorch, safetensors и TensorFlow. Модель выпущена по лицензии AFL-3.0. Качество может снижаться на других жанрах и в предметных областях, поскольку обучающие данные состоят из аннотированных новостных статей определённого периода.

Rocketknight1/distilbert-base-uncased-finetuned-ner — модель токеновой классификации на базе DistilBERT, дообученная для распознавания именованных сущностей. Она предназначена для разметки токенов в англоязычном тексте и может использоваться для извлечения упоминаний сущностей из документов и сообщений. Модель основана на uncased-варианте DistilBERT, принимает текст с контекстом до 512 токенов и доступна в формате TensorFlow. В карточке приведены метрики обучения: F1 0,9081 и точность 0,9793 на обучающей выборке; данные оценки включают validation loss 0,0726. Датасет и категории сущностей не описаны, поэтому качество для конкретных типов текста и сущностей по этим показателям определить нельзя. Лицензия — Apache-2.0.

distilbert-NER — англоязычная модель распознавания именованных сущностей, созданная dslim путём дообучения DistilBERT. Она размечает токены в тексте тегами для людей (PER), организаций (ORG), мест (LOC) и прочих сущностей (MISC), включая начало и продолжение сущности. Модель основана на DistilBERT с архитектурой DistilBertForTokenClassification и содержит 66 млн параметров. Она обучена на английском наборе CoNLL-2003 и принимает контекст до 512 токенов. Компактность DistilBERT помогает снизить размер и ускорить обработку по сравнению с BERT, сохраняя пригодность для извлечения сущностей из новостных и сходных текстов. Качество может снижаться на текстах, заметно отличающихся от CoNLL-2003; возможны ошибки разметки в сложных предложениях и смещения, унаследованные от обучающих данных. Лицензия — Apache-2.0.