I.14Автоматизация процессов и AI-агенты

yigitturali/GSW-QA-Decomposer-Qwen3-4B — текстовая языковая модель, разработанная Mehmet Yigit Turali на основе архитектуры Qwen3. Она предназначена для декомпозиции сложных вопросов в системах question answering: модель преобразует составной запрос в более простые части, которые затем могут обрабатываться отдельными этапами конвейера, например поиском или генерацией ответа. Модель имеет около 4 миллиардов параметров, использует архитектуру Transformer и доступна в формате BF16. Заявленная длина контекста составляет 32 768 токенов, поэтому она может обрабатывать достаточно длинные запросы и входные документы. Модальность — текстовая; сведений о поддерживаемых языках, составе обучающих данных, результатах оценивания и специальных ограничениях в доступных материалах нет. К сильным сторонам относятся специализация на декомпозиции вопросов, относительно небольшой размер и длинный контекст. Ограничения связаны с недостатком публичной документации о методах дообучения, качестве на тестах, языковом покрытии и надежности результатов; поэтому модель следует рассматривать как специализированный компонент QA-конвейера, а не как универсальную замену полноразмерной диалоговой модели. Для базовой модели Qwen3 указана лицензия Apache 2.0, но отдельные условия лицензирования этого производного репозитория в найденных материалах явно не описаны.

Huihui-Qwopus3.5-27B-v3-abliterated — мультимодальная модель для диалога с текстом и изображениями, созданная huihui-ai методом abliteration на основе Jackrong/Qwopus3.5-27B-v3. Это экспериментальная версия с намеренно ослабленными отказами на запросы; автор описывает её как грубую демонстрацию метода удаления отказов без TransformerLens. Модель подходит для диалоговых запросов и анализа изображений, а также для сценариев, где требуется меньше отказов на чувствительные или спорные темы. Каталог указывает архитектуру Qwen3.5, плотную модель с классом Qwen3_5ForConditionalGeneration, поддержку vision, чата и интерфейса вызова инструментов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. README предупреждает, что снижение защитных фильтров может приводить к чувствительным, спорным или неподходящим ответам; результаты следует проверять.

Helsinki-NLP/opus-mt-es-mt — модель машинного перевода семейства MarianMT, разработанная проектом OPUS-MT. Она переводит текст с испанского языка на язык, обозначенный в карточке как «mt»; README не раскрывает, какой именно это язык. Модель построена на архитектуре Transformer, содержит 54,4 млн параметров и рассчитана на контекст до 512 токенов. Для предобработки применяются нормализация текста и SentencePiece. Модель предназначена для автоматического перевода испанских текстов на указанный целевой язык. В README приведён результат 28,1 BLEU и 0,460 chr-F на тестовом наборе JW300.es.mt. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

NVIDIA Qwen3-30B-A3B-Thinking-2507-Eagle3 — вспомогательная модель Eagle для спекулятивного декодирования базовой Qwen3-30B-A3B-Thinking-2507. Она добавляет Eagle3-модуль, который предлагает несколько следующих токенов, а базовая модель проверяет кандидатов; это позволяет ускорить генерацию при использовании TensorRT-LLM. В метаданных указаны 409,7 млн параметров, архитектура LlamaForCausalLMEagle3 и контекст до 262 144 токенов. В README размер указан иначе — 120 млн параметров. Модель предназначена для ускорения текстовой генерации в чат-ботах, агентных системах, RAG-приложениях и других сценариях следования инструкциям. При обучении Eagle-модуля использовались синтетические данные, созданные на основе Qwen3-235B-A22B-Thinking-2507; опубликованные результаты MT-Bench показывают коэффициент принятия кандидатов для отдельных категорий, а не самостоятельное качество ответов. Для работы описана интеграция с TensorRT-LLM и GPU NVIDIA Blackwell под Linux. Указана лицензия Apache 2.0; модель рассчитана на применение вместе с базовой моделью, а не как самостоятельный генератор.

alhparsa/qwen35-9b-dflash — вспомогательная модель DFlash для ускорения генерации текста при спекулятивном декодировании. Она использует лёгкую блочную диффузионную архитектуру, чтобы параллельно предлагать несколько токенов для проверки основной авторегрессионной моделью; её нужно использовать вместе с Qwen/Qwen3.5-9B. В README заявлено ускорение до 4,4 раза относительно обычного авторегрессионного декодирования в описанных тестах на NVIDIA B200 с vLLM или SGLang. В метаданных указаны семейство Qwen3, архитектура DFlashDraftModel, 2 млрд параметров, контекст 262 144 токена, формат safetensors и библиотека Transformers. Модель предназначена для повышения пропускной способности при генерации, включая длинные контексты и агентные сценарии; сама по себе она не заменяет основную языковую модель. Лицензия — MIT. Результаты скорости зависят от оборудования, настроек и нагрузки.

Qwen3-VL-8B-Contracts-OCR — дообученная авторами репозитория мультимодальная модель Qwen3-VL-8B для извлечения структурированных данных из сканов договоров об учреждении египетских компаний на арабском языке. Она анализирует изображения страниц и формирует JSON, копируя арабский текст без исправления орфографии; таблицы включает в ответ в формате Markdown. Для обработки предусмотрена подача двух соседних страниц одновременно, а PDF перед запуском нужно преобразовать в изображения. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате Safetensors для Transformers; в README также описана версия с объединёнными LoRA-весами FP16. Она предназначена для оцифровки корпоративных юридических документов и автоматизации извлечения сведений. Обучение проводилось на частном наборе примерно из 32 исходных договоров, расширенном аугментациями, поэтому качество за пределами этого типа документов не подтверждено. Лицензия — Apache 2.0.

RetrievalRouter (λ=0.3) — обученный авторами статьи RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval маршрутизатор поисковых конвейеров для RAG. По текстовому запросу он выбирает один из пяти вариантов поиска, сочетая текстовый или мультимодальный режим с плотным поиском и поздним переранжированием. Модель предназначена для систем с несколькими заранее подготовленными индексами: она решает, какой конвейер запустить для запроса, но сама документы не ищет и не ранжирует. В основе — Qwen/Qwen3-0.6B-Base с LoRA-дообучением; адаптеры объединены с весами. Представление запроса размерности 1024 формируется усреднением скрытых состояний энкодера, а линейная голова предсказывает распределение по пяти вариантам поиска. Чекпойнт λ=0.3 балансирует качество результатов и задержку. Обучение использовало 85 103 запроса из 11 бенчмарков; данные охватывают финансовые, научные и открытые домены на английском языке. Модель подходит для выбора экономичного поискового конвейера для простых запросов и более мощного мультимодального или переранжирующего варианта для сложных запросов, включая вопросы по изображениям страниц и графикам. В README сообщается о приросте nDCG@5 на 2,5% и скорости в 12,4 раза выше сильнейшего статического конвейера. Другие языки и домены не проверялись; необходимы собственные поисковые индексы и реализации выбранных конвейеров. Лицензия — MIT.

CS221DoAn разработала PhoBERT-FoodNER — модель распознавания именованных сущностей, дообученную на базе vinai/phobert-base для классификации токенов во вьетнамских сообщениях о заказе еды и доставке. Она извлекает названия блюд и напитков, количество порций и особые пожелания из разговорных сообщений, включая сокращения, сленг и текст без диакритики. Модель основана на архитектуре RoBERTa, содержит 162,4 млн параметров и имеет контекст длиной 258 токенов. Для обработки требуется предварительная сегментация вьетнамских слов, например с помощью RDRSegmenter из VnCoreNLP; без неё точность распознавания может заметно снижаться. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

BPO (Black-Box Prompt Optimization) — модель-оптимизатор запросов, разработанная исследовательской группой THUDM/Zhipu AI. Она переписывает пользовательский промпт так, чтобы другая большая языковая модель с большей вероятностью дала полезный и безопасный ответ. Подход не требует дообучать целевую модель и подходит для работы с открытыми моделями и API-моделями. Оптимизатор построен на архитектуре Llama и имеет 6,6 млрд параметров; в README указана базовая модель Llama-2-7b-chat-hf. Репозиторий содержит веса PyTorch, модель принимает и генерирует текст, рассчитана на английский язык и имеет контекст длиной 4096 токенов. В приведённых авторами сравнениях добавление BPO улучшало предпочтения ответов нескольких целевых моделей. Модель обучена на примерно 14 тысячах пар оптимизированных промптов, поэтому может работать хуже на запросах, не охваченных данными. Авторы отдельно отмечают слабые стороны на длинном контексте и математических задачах. Информация о лицензии в предоставленных данных отсутствует.

AbhiCommits/claimwise-qwen35-4b — дообученная AbhiCommits мультимодальная модель на архитектуре Qwen3.5 с 4 млрд параметров, созданная на базе unsloth/Qwen3.5-4B. Она предназначена для диалоговой работы с текстом и изображениями; в метаданных также отмечена поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель может использоваться для ответов на вопросы по изображениям и текстовому контексту, а также для диалоговых сценариев с инструментами. Карточка не описывает специализацию claimwise, обучающие данные, результаты оценивания или конкретные языковые возможности этой версии. Лицензия — Apache-2.0.

kevinoli/clip-finetuned-csu-p14-336-e3l57-l — дообученная модель CLIP, основанная на openai/clip-vit-large-patch14-336. Она сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений по категориям, заданным пользователем, без отдельного обучения под каждую категорию. Модель предназначена для сценариев zero-shot-классификации изображений. В карточке указан результат оценки на тестовой выборке: loss 0,4700; сведения о наборе данных и подробные характеристики обучения не приведены. Репозиторий использует библиотеку Transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

Это конверсия модели Llama 4 Maverick от Meta в формат MLX с 6-битным представлением весов, подготовленная сообществом mlx-community. Модель предназначена для диалогов с текстом и изображениями: она отвечает на вопросы о визуальном содержимом, описывает изображения и поддерживает интерфейс вызова инструментов. Репозиторий указывает исходную модель meta-llama/Llama-4-Maverick-17B-128E-Instruct; конверсия выполнена с помощью mlx-vlm версии 0.1.21. Поддерживаются арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. В метаданных архитектура обозначена как Llama4ForConditionalGeneration; численные параметры контекста и размер модели не приведены. Модель рассчитана на запуск с mlx-vlm в экосистеме MLX. Лицензия обозначена как other; условия следует сверять с карточкой исходной модели Meta. README рекомендует обращаться к исходной карточке за подробностями о модели.

Llama-4-Scout-17B-16E-Instruct-4bit — мультимодальная инструктивная модель сообщества mlx-community, преобразованная из meta-llama/Llama-4-Scout-17B-16E-Instruct в формат MLX с помощью mlx-vlm 0.1.21. Основа — Llama 4 Scout от Meta; архитектура Llama 4 предназначена для диалога и понимания изображений, а карточка указывает интерфейсы чата и вызова инструментов. Модель подходит для диалоговых запросов и вопросов по изображениям на арабском, немецком, английском, испанском, французском, хинди, индонезийском, итальянском, португальском, тайском, тагальском и вьетнамском языках. Суффикс 4bit указывает на 4-битное представление; README описывает конверсию для MLX и использование через mlx-vlm. В репозитории указана лицензия other; условия следует сверять с карточкой исходной модели Meta. Ограничения качества и конкретные параметры контекста в предоставленных материалах не описаны.

Mako-32B Conductor — языковая модель семейства Mako от deepmako, созданная дообучением Qwen3-32B с помощью LoRA и SFT. Она предназначена для диалогов с выраженным разговорным характером, многошаговых рассуждений и оркестрации вызовов инструментов; модель используется как ядро платформы deepmako.com. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров по метаданным и контекст длиной до 40 960 токенов. README описывает специализацию на экосистеме Base и криптовалютах: DeFi, NFT, L2, токеномике, стандартах ERC и механиках смарт-контрактов. Указаны цепочки вызовов инструментов до четырёх раундов, включая поиск в интернете и чтение веб-страниц и публикаций X. Карточка указывает английский язык; основанием для модели служит многоязычная Qwen3. Модель ориентирована на прикладное использование и отмечена разработчиком как production. Возможны ошибки в рассуждениях и криптотехнических ответах; заявленную точность в вопросах Base README не подтверждает независимыми оценками. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и базовой модели.

MM Grounding DINO — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Эта базовая версия обучена на Objects365v1, GOLD-G и V3Det и предназначена для поиска объектов на изображениях по текстовым запросам, в том числе по категориям, не заданным фиксированным набором меток. Модель развивает Grounding DINO: в ней улучшена контрастивная классификационная голова и устранено совместное использование параметров декодером. По данным авторов, улучшения повышают качество обнаружения без обучения на целевых категориях; для семейства приведены результаты на COCO и LVIS. Репозиторий содержит веса safetensors для библиотеки Transformers. Модель принимает изображение и текстовое описание искомых объектов и возвращает рамки объектов с оценками соответствия. Лицензия Apache-2.0. Карточка не приводит ограничений по применению; качество зависит от формулировок запросов и распределения объектов в изображениях.

OpenMed-PII-ClinicalE5-Large-335M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель BERT на базе intfloat/e5-large-v2 с архитектурой BertForTokenClassification; метаданные указывают 433,9 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для поиска 54 типов чувствительных сущностей, включая имена, адреса, контактные данные, номера медицинских записей, финансовые идентификаторы и сетевые адреса, а также для обезличивания клинических записей и подготовки наборов данных. В README сообщается о micro F1 0,9577 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель можно подключить через pipeline token classification в Transformers и использовать для предварительной проверки документов и аудита коллекций. Она ориентирована прежде всего на английский текст; возможны пропуски PII и снижение качества на специализированной терминологии и отдельных типах сущностей, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0. Модель поддерживает автоматическую разметку токенов, но сама по себе не выполняет редактирование или удаление обнаруженных данных из документа.

OpenMed-PII-Spanish-BiomedBERT-Large-340M-v1 — модель OpenMed на архитектуре BERT, дообученная на microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract для обнаружения и классификации персональных данных в испанском тексте. Модель содержит 433,9 млн параметров, принимает текст и возвращает метки для токенов; поддерживает контекст до 512 токенов и предназначена для испанского языка. Модель выявляет 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские номера, финансовые сведения, даты, электронную почту и телефоны. Её применяют для деидентификации клинических записей и документов, подготовки данных к исследованиям и аудита коллекций на наличие персональных данных. В оценке на испанской части набора AI4Privacy указана метрика Micro F1 0,8799. Для лучшего качества README рекомендует удалять диакритические знаки из входного текста; смещения найденных сущностей сохраняются для сопоставления с исходным текстом. Возможны пропуски PII, а результат зависит от терминологии предметной области, поэтому для важных сценариев требуется проверка человеком. Модель распространяется по лицензии Apache-2.0.

TeichAI/Qwen3-4B-Thinking-MiniMax-M2.1-Coder — плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на более чем 1300 примерах агентного программирования, созданных MiniMax M2.1. Большинство примеров посвящено извлечению навыков проектирования интерфейсов и пользовательского опыта для разных технологических стеков. Модель предназначена для диалоговой генерации кода и помощи в создании веб-интерфейсов, например посадочных страниц. Метаданные указывают контекстное окно 262 144 токена и английский язык; модель поддерживает интерфейс вызова инструментов. В README приведён пример запуска через vLLM с настройками рассуждений, выбора инструментов и 4-битной квантизации, однако это пример конфигурации, а не формат весов репозитория. Модель дообучена на датасете TeichAI/MiniMax-M2.1-Code-SFT с использованием Unsloth и TRL. Автор отмечает, что результат демонстрации требует доработки: страница получилась неровной и нуждается в полировке. Информация о лицензии в предоставленных источниках отсутствует.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

RetrievalRouter-lambda-l100 — контрольная точка модели RetrievalRouter, разработанная для исследования выбора модальности и архитектуры поиска документов. По текстовому запросу она выбирает один из пяти готовых поисковых конвейеров: текстовый или мультимодальный поиск, с плотным поиском либо дополнительным переранжированием. Это маршрутизатор, а не поисковая система: он не находит и не ранжирует документы, поэтому для работы нужны заранее подготовленные индексы и сами конвейеры. Модель основана на Qwen/Qwen3-0.6B-Base с LoRA-дообучением; энкодер формирует вектор запроса размерности 1024, а линейная голова предсказывает распределение выбора по пяти вариантам. Контрольная точка обучена с λ=1.0 на приоритет скорости: она выбирает быстрый конвейер, если считает его достаточным для запроса. Обучение охватывает 85 103 запроса из 11 наборов данных; заявленное время маршрутизации — около 15 мс. Модель рассчитана на англоязычные запросы; другие языки и области не проверялись. Лицензия — MIT.

Roswaal-8B — плотная языковая модель с архитектурой Qwen3, разработанная maxzt на основе Qwen3-8B. Модель дообучена на примерно 20 тысячах отобранных цепочек рассуждений методом дистилляции Chain-of-Thought; она рассчитана на диалоговую генерацию текста и многошаговые математические и логические задачи. В карточке указан размер 7,6 млрд параметров и контекст до 40 960 токенов. Модель ориентирована на решение задач GSM8K и технических вопросов с пошаговым рассуждением и самокоррекцией. Автор сообщает о результате 87,64% на GSM8K при оценке с 5 примерами, однако это заявленный в карточке результат и сам по себе не гарантирует аналогичного качества в других задачах. Модель описана как uncensored и обучена отвечать без избыточных отказов; это может приводить к ответам на запросы, которые другие модели отклоняют. Для генерации рекомендуется низкая температура и достаточно большой лимит новых токенов. Распространяется по лицензии Apache-2.0.

kontextox/functiongemma-270m-it-simple-tool-calling — дообученная компанией или автором kontextox текстовая модель на базе google/functiongemma-270m-it. Модель содержит 257 млн параметров, использует плотную архитектуру Gemma 3 Text и запускается через Transformers; веса представлены в формате safetensors. Для дообучения применялась библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и простых сценариев вызова инструментов. Карточка показывает пример генерации ответа на обычный вопрос, а базовая модель рассчитана на создание специализированных локальных агентов. Контекст модели составляет до 32 768 токенов. Лицензия в доступных данных не указана. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но карточка не содержит результатов оценки качества или подробного описания набора инструментов и обучающих данных.

KhyontekAI дообучила Gemma 4 E2B IT — плотную мультимодальную инструктивную модель Google DeepMind — на базе unsloth/gemma-4-E2B-it-qat-q4_0-unquantized. Репозиторий содержит веса в формате safetensors; в метаданных также заявлены диалоговый режим, интерфейс вызова инструментов и поддержка изображений. Модель предназначена для диалоговых сценариев с текстом и изображениями, включая анализ изображений. README сообщает, что при обучении использовались Unsloth и библиотека TRL; сведений о наборе данных и конкретной специализации на ассамском языке нет. Лицензия — Apache-2.0.

InternScience_Agents-A1-4B-GGUF — это квантизированная GGUF-версия модели Agents-A1-4B, разработанной InternScience. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к vision-language models и предназначена для задач, объединяющих работу с изображениями и текстом, включая агентские сценарии, визуальное понимание и генерацию ответов на основе мультимодального ввода. Модель имеет размер 4B параметров; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций, что позволяет выбирать между качеством ответа и требованиями к памяти. Версии GGUF рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Для работы с изображениями конкретная поддержка зависит от используемого программного обеспечения и его интеграции с моделью. Сильными сторонами являются мультимодальная направленность, агентский профиль и широкий выбор степеней квантизации, включая варианты, рекомендованные автором для баланса качества и размера. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут обеспечивать более низкое качество. Модель распространяется по лицензии Apache-2.0.

Kimi-K2T-neulab-agenttuning-mind2web-sandboxes-maxeps-32k — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием набора данных open-athena/Kimi-K2T-neulab-agenttuning-mind2web-sandboxes-maxeps-32k_neulab-agenttuning-db-sandboxes. Это плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате. Название и обучающий набор данных указывают на настройку для сценариев агентного взаимодействия с веб-средой Mind2Web и песочницами, однако карточка не описывает конкретные задачи и качество модели. Модель принимает текст и генерирует текст; базовая модель поддерживает многоязычную генерацию, следование инструкциям, рассуждения, работу с кодом и вызов инструментов. Контекст составляет до 40 960 токенов. Веса представлены в формате safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. README не содержит сведений об оценке качества и ограничениях специализированного дообучения.

townboy/kpfbert-kdpii — корейская модель на базе BERT, дообученная автором townboy для обнаружения персональных данных в диалоговом тексте. Она размечает токены и извлекает такие сущности, как имена, псевдонимы, номера счетов и телефонов, адреса электронной почты, адреса и идентификаторы. Модель содержит 141,2 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Для обучения использован KDPII-подобный набор диалогов: 4 981 документ, 53 778 предложений и 33 метки. В описании обучения указан максимальный размер последовательности 128 токенов; классификационная голова была заново инициализирована для нового набора меток. Модель подходит для поиска чувствительных данных и подготовки текстов к обезличиванию, но её следует проверить на данных целевого продукта перед внедрением. Лицензия — MIT.

Inabia-AI/modernBERT-large-claim-agent_v7 — дообученная модель классификации текста на базе answerdotai/ModernBERT-large. Она предназначена для отнесения текста к классам; название репозитория указывает на сценарий классификации утверждений для claim-агента, однако карточка не описывает метки и правила классификации. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Она принимает текст и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: accuracy 0,9983 и F1 0,9911; набор данных обозначен как None, поэтому эти показатели не позволяют оценить качество на конкретных реальных сценариях. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-PII-BioClinicalBERT-Base-110M-v1 — англоязычную модель на базе BERT для классификации токенов и выявления персональных и медицинских идентификаторов в тексте. Она дообучена на emilyalsentzer/Bio_ClinicalBERT с использованием набора NVIDIA Nemotron-PII. Модель охватывает 54 типа сущностей, включая имена, адреса, контактные данные, номера документов и медицинские записи; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель подходит для поиска чувствительных данных в клинических записях и документах, подготовки текстовых наборов к исследованию, автоматизированной деидентификации и поддержки аудита приватности. В README указана оценка micro F1 0,9437 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель выпускается под лицензией Apache-2.0. Это вспомогательный инструмент: возможны пропуски чувствительных данных, а качество зависит от предметной области и типа сущности. README указывает, что обучение ориентировано преимущественно на английский; для критически важных сценариев результаты требуют проверки человеком.

OpenMed-PII-LiteClinical-Small-66M-v1 — англоязычная модель OpenMed на базе DistilBERT, дообученная для токенной классификации и обнаружения 54 типов персональных и чувствительных данных в тексте. Она размечает имена, адреса, контактные данные, идентификаторы, финансовые сведения и клиническую информацию; размер модели — 66 млн параметров, контекст — до 512 токенов. Модель предназначена для поиска и последующего удаления или маскирования чувствительных данных в клинических заметках, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных и аудита конфиденциальности. В карточке приведён micro-F1 0,9485 на тестовой выборке NVIDIA Nemotron-PII из 2 000 примеров. Распространяется по лицензии Apache-2.0. Это вспомогательный инструмент: пропуски и ошибки разметки возможны, поэтому для важных сценариев требуется проверка человеком. Модель обучена преимущественно на английском языке, а качество может меняться на специализированной терминологии; для некоторых категорий точность ниже.

OpenMed-PII-SuperClinical-Base-184M-v1 — англоязычная модель OpenMed для обнаружения персональных и чувствительных данных в тексте. Это модель классификации токенов на базе DeBERTa-v3-base, дообученная на датасете NVIDIA Nemotron-PII; она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные сведения и медицинские данные. Размер по метаданным — 211,6 млн параметров, контекст — до 512 токенов. Модель подходит для поиска чувствительных данных в клинических записях и документах, подготовки наборов данных к исследованиям, аудита документов и последующего обезличивания текста. В README сообщается micro-F1 0,955 на тестовой выборке из 2 000 примеров Nemotron-PII. Лицензия — Apache-2.0. Модель предназначена для вспомогательного применения: возможны пропуски чувствительных данных, а качество зависит от предметной области. README указывает на более низкие результаты для некоторых категорий и на преимущественную ориентацию на английский язык; критические случаи требуют проверки человеком.