I.1Поиск и навигация по информации

fefofico/crisis_trained_allnat — модель классификации текста на базе SetFit, созданная дообучением codefuse-ai/F2LLM-v2-80M. Она сочетает дообученный Sentence Transformer с классификатором LogisticRegression и относит текст к одному из двух классов: positive или negative. Модель обучалась для выявления текстов, связанных с кризисами и международными угрозами: среди положительных примеров упоминаются кризисы, киберугрозы, территориальные споры, эпидемии и риск ядерной эскалации. Модель предназначена для классификации англоязычных текстовых фрагментов по тематике кризисов и угроз; заявленная максимальная длина последовательности — 40960 токенов. Для оценки приведены значения F1 macro 0,7436 и F1 binary 0,6316. Эти результаты указывают, что качество классификации может быть ограничено, особенно для отдельных классов или иных данных. Сведения о лицензии в доступных источниках отсутствуют.

Это плотная модель текстовых эмбеддингов anonymousresearch123, созданная полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и ранжирования; при обучении применялась функция потерь InfoNCE, а эмбеддинги нормализуются по L2. Размер модели — 507,6 млн параметров, контекст — до 32 768 токенов. Модель обучена на наборе anonymousresearch123/deka-retrieval. В README приведены результаты поиска по полному корпусу для текстов разных типов: лучшие показатели получены для запросов и документов типа fact. Запросы необходимо подавать с использованным при обучении префиксом-инструкцией, документы — без него. Модель предназначена прежде всего для поиска по тайским судебным материалам; качество на других языках и в иных областях не подтверждено. Распространяется по лицензии Apache-2.0.

EmbeddingGemma-300M-LawVault — модель эмбеддингов на базе Google EmbeddingGemma-300M, дообученная автором карточки для поиска по китайским законам и нормативным актам. Она предназначена для юридических RAG-систем: преобразует запросы и документы в векторы, чтобы находить подходящие нормы, в том числе когда пользователь формулирует вопрос разговорным языком или похожие положения легко перепутать. Модель использует архитектуру Gemma3Text и контрастивное обучение на 65 783 парах запросов, релевантных фрагментов и трудных отрицательных примеров. Matryoshka-обучение поддерживает векторы размером 768, 512, 256 и 128 измерений. Размер модели — около 302,8 млн параметров, контекст — до 2048 токенов. Автор сообщает об улучшении метрик извлечения на собственной тестовой выборке; эти результаты относятся к описанному набору и сценарию оценки. Модель работает с текстом и рассчитана прежде всего на китайский язык и юридический домен. Автор предупреждает, что качество для других языков и областей не оценивалось и не гарантируется. Лицензия — Apache-2.0.

CMB-ClimateModernBERT Merge_TIES_D05_LRD — англоязычная модель-энкодер семейства ModernBERT, разработанная авторами проекта ClimateModernBERT для обработки климатических текстов. Она получена продолжением предобучения ModernBERT-Base на академических материалах, синтетических текстах и климатически релевантных веб-данных; затем веса опубликованы под названием, согласованным с нотацией статьи. Архитектура — ModernBertForMaskedLM, размер — 149 млн параметров, контекст — до 8192 токенов. Основная задача модели — заполнение маскированных пропусков; её также можно дообучать для классификации, многометочной разметки и поиска по климатическим документам. Модель предназначена для исследований NLP в климатической тематике: работы с научной литературой, корпоративной климатической отчётностью, политическими документами и новостями. В описанных авторами оценках она набрала в среднем 75,4 F1 на девяти климатических бенчмарках; для общего применения авторы рекомендуют другой чекпойнт семейства, Merge_Soup_LRD. Модель не является инструкционной и не даёт гарантированных фактических ответов. README указывает, что статья находится на рассмотрении, а лицензия модели отдельно не приводится в предоставленных данных.

Модель impresso-project/ner-newsagency-bert-multilingual разработана DHLAB, EPFL и командой проекта Impresso для поиска упоминаний информационных агентств в исторических газетных статьях на французском и немецком языках. Это дообученная модель BERT для распознавания именованных сущностей и классификации токенов, основанная на dbmdz/bert-base-historic-multilingual-cased. Она содержит 137,8 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на вручную размеченном наборе из 1 530 статей швейцарской и люксембургской прессы за 1840–2000 годы. В карточке указаны F1 0,90 для французского и 0,86 для немецкого. Она подходит для анализа цифровых архивов газет и извлечения названий агентств, когда название явно присутствует в тексте. Модель не обнаруживает агентство по одному лишь содержанию публикации и может пропускать упоминания, искажённые OCR. Лицензия — AGPL-3.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-TinyMed-66M — модель для распознавания клинических сущностей, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ), в медицинских и научных текстах. Это дообученная модель DistilBERT с классификационной головой для разметки токенов; README указывает 66 млн параметров в названии репозитория, контекст — 512 токенов. Модель выделяет сущности метками B-CL и I-CL и возвращает BIO-разметку. Модель предназначена для извлечения упоминаний ХЛЛ, биомаркеров, лечения и связанных клинических понятий из записей и публикаций. Её можно применять для поиска по медицинской литературе, анализа клинических документов и построения систем мониторинга. README приводит F1 0,80, точность 0,73 и полноту 0,88 на датасете CLL; это результаты для специализированного набора данных, а не гарантия качества на других текстах. Модель рассчитана на англоязычные входные данные. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания названий заболеваний в биомедицинских текстах. Это дообученная модель DistilBERT на 65 млн параметров для token classification: она присваивает токенам метки B-DISEASE и I-DISEASE, которые можно объединить в упоминания заболеваний. Модель обучена на наборе BC5CDR-Disease и рассчитана на английский текст; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения заболеваний из научных публикаций и медицинских записей, а также для биомедицинского поиска, анализа литературы и подготовки данных для медицинской аналитики. В README приведены результаты на BC5CDR-Disease: F1 0,88, точность 0,86 и полнота 0,89. Эти показатели относятся к указанному набору данных и не гарантируют такую же точность на других источниках или клинических сценариях. Модель распространяется по лицензии Apache-2.0. Она распознаёт только сущности заболеваний, поэтому её выводы не следует трактовать как диагноз или как полноценное извлечение лекарств, взаимодействий и других типов сущностей.

OpenMed разработала OpenMed-NER-OncologyDetect-BioMed-335M — дообученную модель на архитектуре BERT для распознавания биомедицинских сущностей в текстах по онкологии и генетике рака. Модель обучена на корпусе BioNLP 2013 CG и выделяет сущности, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Она принимает токенизированный текст и возвращает предсказания классов для токенов в формате BIO. Размер модели — около 433,9 млн параметров, длина контекста — 512 токенов; в карточке указан английский язык. Модель предназначена для извлечения сущностей из научной литературы и биомедицинских документов, например для поиска генов и биомаркеров, анализа онкологических исследований и построения биомедицинских графов знаний. В README заявлены F1 0,87, точность 0,85 и полнота 0,88 на целевом корпусе. Эти показатели относятся к описанному набору данных и не гарантируют такую же работу на других типах текстов. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-ModernClinical-149M — модель OpenMed для распознавания названий организмов и видов в тексте с помощью разметки последовательности токенов. Это дообученный ModernBERT с архитектурой ModernBertForTokenClassification, 149 млн параметров и контекстом до 8192 токенов. Модель обучена на корпусе SPECIES800 и выделяет сущности метками B-SPECIES и I-SPECIES; поддерживает научные и общеупотребительные названия видов. Модель предназначена для извлечения упоминаний организмов из биомедицинских текстов, научных публикаций и других документов. Её можно применять для текстового поиска по биологической литературе, анализа таксономических упоминаний и построения баз знаний о биоразнообразии. В README указаны F1 0,73, точность 0,75, полнота 0,72 и accuracy 0,95 на SPECIES800. Модель принимает токенизированный текст и возвращает метки сущностей для токенов. Карточка указывает лицензию Apache-2.0. Оценки из README относятся к SPECIES800; качество на иных текстах может отличаться.

OpenMed-NER-ProteinDetect-BioMed-335M — модель OpenMed для распознавания и классификации белковых сущностей в биомедицинских текстах. Это дообученная модель на архитектуре BERT для token classification, основанная на BiomedNLP-BiomedELECTRA-large-uncased-abstract. В README заявлено обучение на корпусе FSU, посвящённом белкам и молекулярной биологии. Модель обрабатывает токенизированный текст и выдаёт BIO-разметку для белков, белковых комплексов, семейств и вариантов; контекст ограничен 512 токенами. Её можно применять для извлечения упоминаний белков из научных статей и медицинских документов, а также для подготовки данных для анализа белковых взаимодействий и построения биомедицинских баз знаний. README сообщает F1 0,94 на FSU, но не приводит подробностей протокола оценки. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Выделение сущностей само по себе не подтверждает клинические выводы и не заменяет экспертную проверку.

OpenMed-NER-SpeciesDetect-TinyMed-135M — модель OpenMed для распознавания упоминаний видов и организмов в тексте. Это дообученная модель DistilBERT для классификации токенов, созданная на основе distilbert-base-multilingual-cased и обученная на корпусе LINNAEUS. Она присваивает токенам BIO-метки B-SPECIES и I-SPECIES, позволяя извлекать названия видов из научной литературы и биомедицинских текстов. Модель подходит для поиска видов и организмов в научных публикациях, биомедицинского текстового майнинга и построения баз знаний по упоминаниям организмов. Контекст ограничен 512 токенами; карточка сообщает F1 0,94, точность 0,93 и полноту 0,94 на LINNAEUS. Хотя README перечисляет клинические сценарии, набор распознаваемых сущностей ограничен видами и организмами, поэтому заявленные сценарии извлечения лекарств и химических соединений не подтверждаются типами меток. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Species-Small-166M — модель OpenMed для извлечения из текста упоминаний видов и организмов. Она построена на архитектуре GLiNER и дообучена на корпусе LINNAEUS, содержащем научные и общеупотребительные названия видов; в карточке также заявлена обработка сокращённых форм. Модель принимает биомедицинский текст и возвращает найденные сущности с метками, поддерживая zero-shot настройку типов сущностей. Модель предназначена для извлечения названий организмов из научной литературы и биомедицинских текстов, включая задачи индексирования литературы, метагеномных отчётов и анализа биоразнообразия. В README указана оценка F1 0,78 на тестовой выборке LINNAEUS, не использованной при обучении. Это специализированная модель распознавания видов, поэтому качество на других типах сущностей и в иных текстовых доменах не подтверждено приведёнными результатами. Распространяется по лицензии Apache-2.0.

S_CX — англоязычный masked language model семейства ClimateModernBERT, разработанный авторами проекта ClimateModernBERT. Это продолжительно предобученная на синтетических климатических текстах версия answerdotai/ModernBERT-base с архитектурой ModernBertForMaskedLM, 149 млн параметров и контекстом до 8192 токенов. Веса опубликованы в формате Safetensors и используются через Transformers. Модель предназначена для исследований в области климатического NLP: представления климатических текстов и дообучения под классификацию, многометочную разметку и поиск по корпоративной климатической отчётности, политическим документам, научной литературе и новостям. В карточке сообщается о среднем F1 73,4 по девяти климатическим бенчмаркам; для общего применения авторы рекомендуют объединённую модель Merge_Soup_LRD. Модель принимает текст и обучена только для английского языка. Это masked language model для заполнения пропусков, а не диалоговая или инструкционная система; качество на уровне длинного контекста в приведённой оценке полноценно не проверялось. Синтетические данные улучшают некоторые задачи, основанные на таксономиях и фреймворках, но могут ухудшать задачи, требующие тонкого понимания дискурса и обязательств. Лицензия в предоставленных данных не указана.

gamug/sec-bert-finer-ord-ner — англоязычная модель для распознавания именованных сущностей в финансовых новостях, стенограммах звонков о доходах и текстах в стиле документов SEC. Её разработал автор репозитория как дообучение nlpaueb/sec-bert-base на наборе FiNER-ORD. Модель находит имена людей (PER), мест (LOC) и организаций (ORG), классифицируя токены текста. Это BERT-модель с 136,3 млн параметров и максимальной длиной последовательности 512 токенов. Для длинных документов их следует делить на предложения или абзацы и объединять результаты с учетом смещений фрагментов. При объединении BIO-меток важно учитывать границы WordPiece: README рекомендует стратегию агрегации first, поскольку продолжения токенов получали игнорируемые метки при обучении. На тестовой части FiNER-ORD указаны F1 0,770, точность 0,741 и полнота 0,802. Модель специализирована на финансовых текстах и не предназначена для других языков или коммерческого использования. Лицензия — CC-BY-NC-4.0; README также характеризует работу как академическое упражнение и не рекомендует производственное развертывание.

kev-KOH разработал Time-Embed BGE-M3 LMS Temporal v1.9 Native-Day Bridge — дообученную модель эмбеддингов на основе XLM-RoBERTa и семейства BGE-M3 для поиска по временным выражениям в корейских материалах LMS. Она помогает сопоставлять формулировки вроде «나흘 뒤» и «4일 뒤», различать близкие даты вроде «나흘 뒤» и «사흘 뒤», а также находить сведения о сроках заданий, объявлениях и расписании лекций. Модель содержит 658,7 млн параметров, формирует нормализованные эмбеддинги с CLS-пулингом и рассчитана на входную длину до 8194 токенов; в обучении использовались максимальные длины запроса и документа по 128 токенов. Это узкий корректирующий чекпойнт, обученный на 64 примерах с проверочными выборками по 32 примера. Внутренние проверки показали улучшение распознавания корейских выражений с днями относительно базовой модели, при этом опубликованные проверки KLUE-STS и KorSTS сохранились на близком уровне. Модель предназначена для экспериментов с временным поиском в корейских LMS, а не для замены универсальных корейских эмбеддингов; поддержку вариантов счёта дней следует дополнительно проверять. Лицензия — MIT.

Veridex-QA-cuad-deberta-v3 — англоязычная модель извлечения ответов для поиска положений, связанных с рисками, в коммерческих договорах. Её разработали для сервиса Veridex; модель дообучена полным fine-tuning Microsoft DeBERTa-v3-base на наборе CUAD с экспертной разметкой юристов. Архитектура — DeBERTa-v2 для вопросно-ответной задачи, размер — 211,6 млн параметров, контекст — 512 токенов. На вход подаются текст договора и вопрос о категории положения; на выходе модель выделяет точный фрагмент текста или воздерживается от ответа, если положение не найдено. Она предназначена для предварительной проверки договоров поставки, дистрибуции, лицензирования, обслуживания, NDA и соглашений с аффилированными лицами: помогает находить, например, условия расторжения, ограничения ответственности, автопродления, эксклюзивности и смены контроля. Для обработки длинных договоров README рекомендует скользящие окна. Модель показала F1 87,06 и exact match 83,98 на тестовой выборке CUAD, однако результат зависит от категории: похожие формулировки могут путаться, а основной тип ошибки — ложные срабатывания. Она рассчитана только на англоязычные договоры, основанные на коммерческих соглашениях США; другие языки, юрисдикции и стили договоров не проверялись. Это инструмент первичного отбора, а не юридическая консультация или основание для самостоятельного принятия договорных решений. Лицензия — CC BY 4.0.

BiodivBERT — англоязычная доменная модель на базе BERT, разработанная для работы с научной литературой о биоразнообразии. Она предварительно обучена на аннотациях и полных текстах публикаций, собранных через API Elsevier и Springer за 1990–2020 годы, с использованием токенизатора BERT base cased. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README указано дообучение для распознавания именованных сущностей и извлечения отношений в области биоразнообразия. Метаданные также указывают задачу заполнения пропусков в тексте, согласующуюся с архитектурой BertForMaskedLM; авторский pipeline_tag при этом задан как token-classification. Модель подходит для анализа научных текстов о биоразнообразии, включая извлечение сущностей и связей. Лицензия — Apache-2.0.

bioformer-8L-ncbi-disease — модель распознавания именованных сущностей, разработанная сообществом Bioformers и дообученная на наборе данных NCBI Disease в течение 10 эпох. Она предназначена для извлечения упоминаний заболеваний из англоязычных текстов, например из научных публикаций и биомедицинских документов. Модель основана на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступна в форматах PyTorch и Safetensors. Модель ориентирована на распознавание заболеваний, а не на генерацию текста или общие задачи классификации. Она выпущена по лицензии Apache-2.0.

deka-qwen3-emb-0.6b-triplet-fact-anompos — плотная модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и сравнения предложений; обучалась по triplet-цели сопоставлять запросы с текстом фактической части дела. Использует pooling последнего токена с левым дополнением и L2-нормализацию. Размер — 507,6 млн параметров, контекст — до 32 768 токенов; в обучении применялись максимальные длины 256 токенов для запроса и 1300 для документа. Модель ориентирована на поиск по тайским судебным делам. На тесте полнотекстового корпуса Recall@10 составил 30,48% для запросов по фактической части, 21,43% для запросов юристов и 10% для пользовательских запросов. Для корректной работы к запросам нужно добавлять инструкционный префикс, использованный при обучении; документы должны подаваться без него. Выпущена под лицензией Apache-2.0.

deprem-ml разработала модель deprem-ner для извлечения географических и адресных сущностей из сообщений о людях, оказавшихся под завалами после землетрясения. Она предназначена для анализа обращений о помощи и поиска сведений об улице, провинции, районе, квартале, здании и этаже. Модель построена на BERT и решает задачу классификации токенов; число параметров — 137,8 млн, контекст — до 512 токенов. В качестве входа принимает текст, а на выходе выделяет сущности в тексте. Карточка приводит примеры сообщений на турецком языке. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель kbulutozler/distilbert-base-uncased-FT-ner-BC5CDR-chem — англоязычная модель DistilBERT, дообученная для распознавания химических сущностей в тексте. Она выполняет токенную классификацию и предназначена для извлечения названий химических веществ, в том числе из биомедицинских текстов. Модель обучена на обучающей выборке BC5CDR-chem из набора BLURB; для тестовой выборки указаны precision 0,89, recall 0,87 и micro-F1 0,88. Архитектура — DistilBertForTokenClassification, размер контекста — до 512 токенов. Модель принимает текст и возвращает разметку токенов. Лицензия — Apache-2.0.

Gemma-3-4B-Tigrinya-QA — текстовая инструктивная модель на 4 млрд параметров, созданная luel дообучением luel/gemma-3-4b-tigrinya на наборах вопросов и ответов на тигринья. Она предназначена для диалоговых ответов на вопросы о географии, культуре, истории, политике и общих знаниях, а также для разработки приложений на тигринья — языке с ограниченным числом сильных открытых моделей. Модель использует архитектуру Gemma 3 с причинно-следственной языковой моделью Gemma3ForCausalLM и распространяется в формате Safetensors. Метаданные указывают контекст до 131 072 токенов, тогда как README заявляет ограничение в 1 024 токена для входа и выхода. Лицензия — Gemma. Модель принимает текст и генерирует текст, поддерживает инструкции и чат. Она адаптирована прежде всего для тигринья; иногда в ответах могут появляться слова на амхарском или английском. Модель ориентирована на общие вопросы и может хуже справляться со специализированными техническими запросами; ответы следует проверять на фактическую точность. Она не поддерживает изображения, аудио и другие нетекстовые входы.

FritzStack/mpnet_MH_embedding — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для семантического сопоставления пунктов опросника депрессии Бека BDI-II с публикациями Reddit о психическом здоровье. Модель кодирует тексты в нормализованные плотные векторы размерности 768; для оценки близости используется косинусное сходство. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; карточка модели описывает максимальную длину последовательности 384 токена. Основной сценарий — находить публикации, семантически близкие к конкретному симптому из BDI-II. Модель также может применяться в исследованиях выражения симптомов в соцсетях, поиске и формировании тематических наборов текстов. Это узкоспециализированная модель для англоязычных текстов о психическом здоровье; её результаты сами по себе не являются клиническим диагнозом или подтверждением риска. Лицензия в предоставленных данных не указана.

OpenMed разработала OpenMed-NER-BloodCancerDetect-SuperMedical-355M — модель распознавания и классификации клинических сущностей, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ). Это дообученная RoBERTa-модель для NER: она принимает токенизированный биомедицинский текст и выдаёт BIO-метки B-CL и I-CL. В метаданных указаны 454,1 млн параметров, контекст до 514 токенов и формат safetensors. Модель предназначена для извлечения упоминаний, связанных с ХЛЛ, из медицинских записей и научной литературы. Её можно применять для анализа клинических документов, мониторинга сведений о лечении и подготовки данных для биомедицинских исследований. В README приведены F1 0,84, точность 0,98 и полнота 0,74 на корпусе CLL; эти показатели относятся к указанной оценке и не гарантируют аналогичного качества на других текстах. Карточка описывает обучение на специализированном корпусе CLL и архитектуру roberta-large, однако идентификатор базовой модели в метаданных не приведён. Модель рассчитана на англоязычные медицинские тексты. Лицензия — Apache-2.0.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученная для классификации токенов модель семейства BERT на основе BiomedNLP-BiomedELECTRA-base-uncased-abstract. Она принимает токенизированный текст и размечает упоминания генов и белков тегами BIO: B-GENE/PROTEIN и I-GENE/PROTEIN. Веса занимают модель с 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC2GM с аннотациями упоминаний генов и белков в биомедицинской литературе. Её можно применять для извлечения таких сущностей из научных публикаций и медицинских записей, а также для поиска по литературе и построения биомедицинских баз знаний. В README приведены F1 0,88, точность 0,87 и полнота 0,89 на BC2GM; эти результаты относятся к указанному корпусу и не гарантируют качество на других типах текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0.

OpenMed-NER-GenomeDetect-ModernMed-149M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная для классификации токенов ModernBERT-модель с 149 млн параметров и контекстом до 8192 токенов. Она размечает названия генов и белков BIO-метками B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения биомедицинских сущностей из научных статей и клинических документов, например для поиска упоминаний генов в литературе и построения биомедицинских баз знаний. В README указаны BC2GM как обучающий датасет и F1 0,81, точность 0,80 и полнота 0,81. Эти результаты относятся к указанной оценке на BC2GM и сами по себе не подтверждают заявленную в карточке пригодность для клинического применения. Для использования доступны веса safetensors в экосистеме Transformers. Лицензия — Apache-2.0. Модель поддерживает английский язык; карточка не подтверждает поддержку других языков.

OpenMed разработала специализированную модель распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная для классификации токенов модель семейства BERT на архитектуре BiomedNLP-BiomedBERT-base-uncased-abstract; в репозитории указано 136,7 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку сущностей генов и белков. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других биомедицинских документов, в том числе для поиска по литературе и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 и точность 0,89, полнота 0,89 и accuracy 0,97; эти показатели относятся к указанному набору данных и не гарантируют такую же эффективность на других типах текстов. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-BigMed-278M — модель OpenMed для распознавания и классификации упоминаний генетических сущностей в биомедицинском тексте. Это дообученная для token classification модель на архитектуре XLM-RoBERTa; в метаданных указано 305,2 млн параметров, а базовая архитектура в README названа xlm-roberta-base. Для обработки текст делится на токены, а модель возвращает BIO-разметку. Контекст ограничен 514 токенами. Модель предназначена для извлечения генетических сущностей из научной литературы и других биомедицинских текстов, например для геномного текстового поиска и построения баз знаний. README сообщает об обучении на корпусе GELLUS, однако перечисленные выходные метки ограничены типом Cell-line-name, поэтому заявленные в карточке более широкие сценарии извлечения генов и генетических вариантов требуют проверки на целевых данных. Указанные в README высокие показатели качества относятся к оценке на GELLUS и не гарантируют такую же точность на клинических документах или других корпусах. Модель работает с английским текстом и распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-ModernMed-149M — модель на базе ModernBERT, дообученную для распознавания геномных сущностей в биомедицинском тексте. Она принимает токенизированный текст и выдаёт BIO-разметку для токенов; в карточке указана метка cell-line-name. Модель содержит 149 млн параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. Модель предназначена для извлечения упоминаний клеточных линий и связанных геномных сущностей из научной литературы и биомедицинских документов, в том числе для текстового поиска и построения баз знаний. В README указаны обучение на корпусе GELLUS и показатели F1 0,98, точности 0,99 и полноты 0,98, однако описание меток ограничено типом cell-line-name, поэтому заявления о широком извлечении генов, вариантов и лекарств следует трактовать осторожно. Для работы требуется токенизация текста и последующая группировка токенных предсказаний в сущности. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-TinyMed-82M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Это дообученный классификатор токенов на базе distilroberta-base, обученный на корпусе SPECIES800; в метаданных указаны архитектура RoBERTa и 95,2 млн параметров. Модель присваивает токенам BIO-метки B-SPECIES и I-SPECIES, чтобы выделять названия видов, включая научные и общеупотребительные. Модель предназначена для извлечения упоминаний организмов из научной биомедицинской литературы и других текстов на английском языке, а также для анализа биоразнообразия и таксономической информации. Она может быть полезна для поиска упоминаний видов в статьях и подготовки данных для баз знаний. Контекст — до 514 токенов; для длинных документов текст потребуется обрабатывать частями. В README приведены F1 0,72, точность 0,72, полнота 0,73 и accuracy 0,95 на SPECIES800. Эти показатели ниже значений более крупных моделей из сравнительной таблицы того же README. Модель распространяется по лицензии Apache-2.0.