I.3Извлечение и структурирование данных

Это версия ALBERT base v2, дообученная twmkn9 на датасете SQuAD v2 для извлечения ответов на вопросы из текста. Модель принимает вопрос и контекст и определяет ответный фрагмент, а также может предсказать, что в контексте ответа нет. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. В README приведены результаты оценки на подмножестве dev SQuAD v2: exact match 78,7 и F1 81,9. Она подходит для поиска фактических ответов в документах и текстах, если вопрос и нужный контекст уже подготовлены. Ограничение — модель извлекает ответы из предоставленного контекста и не предназначена для свободной генерации; качество за пределами SQuAD-подобных данных может отличаться. Лицензия в предоставленных сведениях не указана.

Argus-Colqwen3.5-4b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная на базе Qwen/Qwen3.5-VL-4B-Instruct модель с 4,71 млрд параметров: ColPali-подобная архитектура формирует многовекторные представления изображения и запроса, а разреженный маршрутизатор с четырьмя экспертами выбирает обработку регионов страницы с учётом запроса. Выпущена версия с весами fp32; размерность вектора каждого токена — 1024, обрабатывается до 2048 визуальных токенов на страницу. Модель предназначена для поиска релевантных страниц в сканах, документах и отчётах по текстовому запросу, включая сценарии визуального вопросно-ответного поиска. В README заявлены высокие результаты на ViDoRe v1, однако приведённые оценки отдельных задач получены на родственной версии bf16 и для fp32 указаны как ожидаемые. Области применения включают поиск по документам и отчётам; качество на английских наборах проверено лучше, чем на многоязычных. Лицензия — Apache 2.0.

Argus-Colqwen3.5-9b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на Qwen/Qwen3.5-VL-9B-Instruct и содержит 8,82 млрд параметров. Архитектура сочетает мультимодальную основу Qwen3.5-VL с многовекторным представлением в стиле ColPali и взаимодействием MaxSim. Запрос управляет разреженной смесью экспертов, которая обрабатывает визуальные области страницы и формирует эмбеддинги размерностью 1024 на токен. Модель предназначена для поиска релевантных страниц в сканах и других визуальных документах по текстовому запросу. В README сообщается о сильных результатах на наборах ViDoRe v1 и v2; обучение использовало публичные наборы ViDoRe и VDR-Multilingual, а для 9B версии также смесь VDR1.5M и Docmatix. Основной акцент сделан на англоязычных документах; мультиязычная обучающая выборка невелика. Для запуска в bf16 заявлено около 17 ГБ видеопамяти только для весов и рекомендация GPU от 24 ГБ. Репозиторий распространяется по лицензии Apache 2.0.

Карточка модели unsloth/aya-vision-8b на Hugging Face совпадает с карточкой unsloth/aya-vision-32b, поэтому описание составлено по ней. unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

google-bert/bert-base-multilingual-cased — предобученная многоязычная модель BERT, опубликованная командой BERT и представленная на Hugging Face. Это плотный трансформерный энкодер класса BertForMaskedLM с 205,1 млн параметров, общим словарём WordPiece на 110 000 единиц и контекстом до 512 токенов. Модель обучена на текстах Википедии для 104 языков с помощью masked language modeling и предсказания следующего предложения. Она чувствительна к регистру: например, различает «english» и «English». Несмотря на имя репозитория, токенизация в карточке описана как выполняющая приведение текста к нижнему регистру. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов или ответов на вопросы. В исходном виде её можно использовать для восстановления замаскированных слов и получения текстовых представлений; для генерации связного текста она не предназначена. Поддерживает множество языков, включая русский, однако приведённые метаданные содержат только часть языкового списка из карточки. Лицензия — Apache 2.0.

abec0516/bert-finetuned-squad — модель RobertaForQuestionAnswering, дообученная на основе FacebookAI/roberta-base для ответа на вопросы по предоставленному контексту. Она подходит для извлечения ответа из текста, например при поиске сведений в документах или создании систем вопросов и ответов. Модель содержит 151,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 514 токенов. Данные дообучения не описаны; карточка также не приводит сведений об оценке качества и ограничениях. Лицензия — MIT.

Petros89/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для поиска ответа на вопрос в предоставленном тексте: модель оценивает фрагменты контекста и возвращает ответ из него. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и формат PyTorch; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения фактов из документов и ответов на вопросы по заданному контексту. Карточка не содержит подробных результатов оценки или описания ограничений качества. Лицензия — Apache-2.0.

BERT large cased — предварительно обученная языковая модель семейства BERT, выпущенная Google. Она обучена на английских текстах BookCorpus и Wikipedia с помощью masked language modeling и предсказания следующего предложения. Модель различает регистр букв, использует WordPiece с словарём на 30 000 токенов и поддерживает контекст до 512 токенов. В конфигурации 24 слоя, скрытое представление размерности 1024 и 16 голов внимания; метаданные каталога указывают 432,3 млн параметров. Основное применение исходной модели — заполнение замаскированных слов и получение контекстных представлений для последующей настройки на классификацию последовательностей и токенов или ответы на вопросы. Она рассчитана на задачи, где анализируется полный входной текст, и не предназначена для свободной генерации текста. Обучающие данные ограничены английским BookCorpus и английской Wikipedia, а предсказания могут отражать смещения данных. Лицензия — Apache-2.0.

Это англоязычная модель BERT large от Google, опубликованная командой Hugging Face и дообученная для ответов на вопросы по контексту на наборе SQuAD. Она использует архитектуру BERT: 24 слоя, скрытое представление размером 1024 и 16 голов внимания; в метаданных указано 432,3 млн параметров. При предварительном обучении применялся метод Whole Word Masking, при котором маскируются сразу все части одного слова. Модель различает регистр букв и принимает вход длиной до 512 токенов. Модель предназначена для извлечения ответа из предоставленного текста по вопросу: например, для ответов на вопросы по статьям, справочным материалам и другим англоязычным документам. Она выдаёт текстовый фрагмент ответа, опираясь на контекст, поэтому не предназначена для свободного диалога или надёжных ответов без предоставленного текста. Предварительное обучение проводилось на BookCorpus и англоязычной Википедии, а дообучение — на SQuAD. Лицензия — Apache-2.0.

Bina 0.1 Koochik (بینا ۰.۱ کوچک) — модель для распознавания персидского текста и структуры документов. Её выпустил Reza2kn как BF16-версию, полученную слиянием LoRA-чекпойнта на шаге 8 000 с базовой моделью Surya OCR 2 от Datalab. Модель построена на архитектуре Qwen3.5ForConditionalGeneration и принимает изображения страниц документов; заявленная задача — image-text-to-text. Модель предназначена для OCR персидских документов, включая страницы из PDF и изображений. Она может выдавать распознанный текст и HTML, упорядоченные блоки, их типы, оценки уверенности и координаты рамок. Для запуска автор рекомендует пакет Surya OCR 2; описанный сценарий рассчитан на Linux или WSL2 с GPU NVIDIA и vLLM. Веса хранятся в формате BF16/Safetensors, лицензия — OpenRAIL. В README модель названа базовой точкой для сравнения с её квантованными и runtime-версиями. Работа на CPU и Apple Silicon через автоматический путь llama.cpp напрямую не поддерживается без отдельной конверсии в GGUF. Указан один обучающий чекпойнт на шаге 8 000; дополнительных оценок качества в карточке нет.

DiTo97/binarization-segformer-b3 — модель семантической сегментации на архитектуре SegFormer-B3, дообученная на ансамбле из 13 наборов данных для бинаризации изображений документов. Она предназначена для разделения пикселей документа на текст и фон, в том числе в сценариях обработки отсканированных страниц и исторических документов. В README приведены результаты оценки по метрикам DIBCO: F-measure 0,9840, псевдо-F-measure 0,9740, DRD 5,9548 и PSNR 16,0119. Модель основана на nvidia/segformer-b3-1024-1024 и использует библиотеку Transformers; веса доступны в форматах PyTorch и Safetensors. Карточка описывает её как продолжающееся исследование семантической сегментации для бинаризации документов. Лицензия — OpenRAIL. README не уточняет ограничения применения и детали обучения.

deepset/deberta-v3-base-squad2 — англоязычная модель для извлечения ответов на вопросы из текста, разработанная deepset и дообученная на SQuAD 2.0. Она принимает вопрос и контекст, а затем возвращает фрагмент контекста как ответ; обучение также включает вопросы, на которые ответа в тексте нет. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Подходит для поиска ответов в документах и создания конвейеров extractive question answering, в том числе с Haystack. Основное ограничение: модель ориентирована на английский язык и извлечение ответа из предоставленного контекста, а не на свободную генерацию или поиск сведений вне него. Лицензия — CC BY 4.0.

Dialog2Flow joint target model — англоязычная модель на базе BERT-base, представленная Sergio Burdisso и соавторами в работе Dialog2Flow на конференции EMNLP 2024. Это модель Sentence-Transformers, дообученная для получения плотных векторных представлений предложений и абзацев: она отображает текст в пространство размерности 768 и предназначена для извлечения структуры потока диалога. Модель можно применять для поиска и кластеризации реплик, а также для извлечения потока диалога по смысловому сходству. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на данных DialogStudio и dialog2flow-dataset с контрастивной функцией потерь. Веса опубликованы в формате safetensors. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении её условий. Модель предназначена для английского языка; качество на других языках в карточке не подтверждено.

DistilBERT multilingual cased — трансформерная языковая модель, разработанная Виктором Саном, Лисандром Дебю, Жюльеном Шомоном и Томасом Вольфом из Hugging Face. Это дистиллированная версия многоязычной BERT base модели, обученная на объединённых данных Википедии на 104 языках. Архитектура включает 6 слоёв, размер скрытого представления 768, 12 голов внимания и 134 млн параметров; модель различает регистр букв и обрабатывает последовательности до 512 токенов. Основная задача модели — предсказывать замаскированные токены в тексте. Её можно применять для заполнения пропусков и дообучать для классификации последовательностей, классификации токенов и ответов на вопросы. По данным разработчиков, в среднем она работает примерно вдвое быстрее mBERT-base, сохраняя мультиязычность при меньшем размере. Модель не предназначена для генерации текста и не гарантирует фактическую достоверность ответов. Её предсказания могут отражать вредные стереотипы и смещения; результаты на приведённых разработчиками тестах XNLI ниже, чем у mBERT-base. Лицензия — Apache 2.0.

Модель monakth/distilbert-base-multilingual-cased-finetuned-squad — дообученная версия multilingual cased DistilBERT для извлечения ответов на вопросы. Она принимает вопрос и текстовый контекст и предсказывает фрагмент контекста в качестве ответа. Обучение проводилось на датасете SQuAD; для неё указан результат Loss 1,1954 на наборе оценки. Модель построена на архитектуре DistilBERT и предназначена для сценариев, где ответ можно найти в предоставленном тексте: например, для поиска ответов в документах или справочных материалах. Контекст ограничен 512 токенами. Лицензия — Apache-2.0.

Это модель HelenAI на базе distilbert-base-uncased-distilled-squad, преобразованная в формат OpenVINO для ускоренного инференса. Архитектура основана на DistilBERT и предназначена для extractive question answering: модель находит ответ на вопрос непосредственно во фрагменте переданного контекста. Модель работает с английским языком и поддерживает контекст длиной до 512 токенов. Модель подходит для извлечения ответов из документов, поиска фактов в текстах и построения англоязычных систем вопросов и ответов. Формат OpenVINO и FP32 ориентированы на ускоренное выполнение в совместимой инфраструктуре Intel. Модель обучена для сценариев, подобных датасету SQuAD, поэтому её ответы ограничены содержимым предоставленного контекста и не предназначены для свободной генерации или достоверного ответа на вопросы, для которых в тексте нет информации. Лицензия в предоставленных данных не указана.

Это модель для ответов на вопросы, созданная дообучением distilbert-base-uncased на наборе данных SQuAD. Она принимает текстовый контекст и вопрос и извлекает ответ из контекста. Модель построена на архитектуре DistilBERT и предназначена для задач извлечения ответов; максимальная длина контекста составляет 512 токенов. Модель подходит для поиска ответов в коротких текстах, справочных материалах и документах, когда ответ явно содержится в исходном тексте. Она выпущена в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведено значение функции потерь 1,3672 на оценочном наборе SQuAD.

freds0/distil-whisper-large-v3-ptbr — модель автоматического распознавания речи, созданная дообучением distil-whisper/distil-large-v3 для бразильского португальского языка. Она принимает аудио и генерирует текстовую транскрипцию; архитектура основана на WhisperForConditionalGeneration и содержит 905,2 млн параметров. Для работы можно использовать библиотеку Transformers. Модель обучена на Common Voice 16 и частном наборе данных, автоматически размеченном с помощью Whisper Large v3. В README указана частота ошибок слов (WER) 8,221% на валидационном наборе Common Voice 16. Модель распространяется по лицензии MIT.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.

Akajackson/donut_rus — модель Donut, разработанная автором репозитория для распознавания русского текста на изображениях. Она использует архитектуру vision-encoder-decoder и обучена на 100 тысячах синтетических изображений SynthDoG с текстами из русской литературы; токенизатор заменён на DeepPavlov/xlm-roberta-large-en-ru. Валидационная метрика Normed ED составляет 0,02239. Модель предназначена для извлечения текста и структурированной информации из документов. Автор также указывает сценарии ответов на вопросы по документу и классификации документов, но для них потребуется разметить данные под нужную задачу и дообучить модель. Репозиторий содержит веса в формате PyTorch и указывает лицензию Apache-2.0. Обучение на синтетических изображениях с текстами из литературы может ограничивать качество на реальных документах, других жанрах и макетах. Контекстная длина в доступных данных не приведена; практические возможности для ответов на вопросы и классификации зависят от дополнительного обучения.

Eagle2-2B — компактная визуально-языковая модель, выпущенная NVIDIA в составе семейства Eagle2. Она предназначена для диалога и генерации ответов по тексту, изображениям и видео. Вариант 2B использует языковую основу Qwen2.5-1.5B-Instruct и визуальные компоненты PaliGemma и SigLIP; архитектура в репозитории обозначена как eagle_2_5_vl, файлы представлены в формате safetensors и модель запускается через Transformers. Модель рассчитана на распознавание содержимого изображений и видео, ответы на вопросы о визуальных данных и анализ документов и диаграмм. В README указано окно до 16 тысяч токенов; среди приведённых сравнительных результатов модель показывает сильные результаты на ChartQA и сопоставимые с другими компактными VLM результаты на DocVQA и InfoVQA. README также упоминает поддержку нескольких изображений и видео во входных данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это компактная модель, поэтому её возможности могут уступать более крупным VLM; NVIDIA рекомендует оценивать её пригодность и риски для конкретного применения. Указанная в карточке возможность интерфейса вызова инструментов не описана в README как отдельный сценарий использования.

Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

Карточка модели NVEagle/Eagle-X5-7B на Hugging Face совпадает с карточкой NVEagle/Eagle-X5-13B-Chat, поэтому описание составлено по ней. Eagle-X5-13B-Chat — мультимодальная языковая модель семейства Eagle, разработанного NVIDIA. Это плотная Transformer-модель архитектуры EagleLlamaForCausalLM с 12,9 млрд параметров, предназначенная для диалога и анализа изображений вместе с текстом. Контекст модели составляет 4096 токенов. Модель использует комбинацию визуальных энкодеров CLIP+X и рассчитана на обработку изображений высокого разрешения, включая задачи распознавания текста и понимания документов. Она принимает изображения и текст, а выдаёт текст; авторы отмечают сильные результаты на мультимодальных тестах, особенно в задачах, чувствительных к разрешению. Основные сценарии применения — исследование мультимодальных LLM и создание чат-ботов. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README не уточняет языковой охват и подробные ограничения качества; перед применением в конкретной отрасли следует оценить пригодность модели для этого сценария.

Gozdi/Electra-base-squad-adversarialqa-epoch-3 — дообученная модель Google ELECTRA-base-discriminator для ответов на вопросы. Она принимает вопрос и контекст и определяет ответ в тексте; архитектура — ElectraForQuestionAnswering, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель опубликована в формате TensorFlow и подходит для извлечения ответов из предоставленных текстов. В карточке указано, что модель дообучена на неизвестном наборе данных; приведено значение Train Loss 0,5566 для эпохи 2. Подробности о данных, оценке качества, предполагаемом применении и ограничениях не описаны. Лицензия — Apache-2.0.

Eve-2-MoE-IT-272M — модель на 272 млн параметров с архитектурой MoE и причинным языковым моделированием, созданная Энтони Майо (Public Outputs). Она дообучена для следования инструкциям и задумана как компактная основа для специализированных моделей семейства Eve Swarm, выполняющих узкие преобразования вроде генерации SQL, создания Git-коммитов и извлечения JSON. В карточке также описаны примеры специализированных моделей для вызова функций и обработки документов. Модель ориентирована на небольшое потребление ресурсов и развёртывание на CPU; формат весов в репозитории — PyTorch и SafeTensors. В README автор описывает обучение на NVIDIA H200 и рекомендует создавать узких специалистов на парах «вход — желаемый результат», поскольку модель быстро запоминает данные. Лицензия — MIT. Английский указан как язык карточки; размер контекстного окна не приведён в доступных сведениях.

FYPsq2mrqa — модель для извлечения ответов на вопросы из заданного текста, разработанная на основе deepset/deberta-v3-base-squad2 и дообученная на наборе данных MRQA. Она использует архитектуру DeBERTa v3 в семействе DeBERTa v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и автоматизированного чтения текстов. На оценочном наборе указано значение loss 2,0805. Карточка не раскрывает дополнительные сведения о составе MRQA, языках обучения или ограничениях качества. Лицензия модели — CC BY 4.0.

deepset/gelectra-base-germanquad — модель для извлечения ответов на вопросы на немецком языке, разработанная deepset на основе GELECTRA-base. Её дообучили на наборе GermanQuAD: обучающая часть содержит 11 518 вопросов и ответов, а тестовая — 2 204 вопроса с несколькими аннотациями ответов. В метаданных указаны архитектура ELECTRA и 137,1 млн параметров. Модель предназначена для поиска фрагмента ответа в предоставленном документе или контексте. Её можно применять для ответов на вопросы по немецким документам, в том числе в извлекательных QA-конвейерах Haystack. Максимальная длина контекста составляет 512 токенов; заявленный формат задачи — question-answering. Модель принимает текст вопроса и контекста и возвращает извлечённый текстовый ответ. Она ориентирована на немецкий язык и не заявлена как генеративная или мультимодальная модель. Лицензия — MIT.

Gemma-SEA-LION-v4-27B-VL — мультимодальная инструктивно настроенная модель AI Singapore и SEACrowd для работы с изображениями и текстом в сценариях, связанных с Юго-Восточной Азией. Она построена на архитектуре Gemma 3 и дообучена на примерно 540 тысячах пар инструкций и изображений на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, китайском, тагальском, тамильском, тайском и вьетнамском языках. Базовая модель — aisingapore/Gemma-SEA-LION-v4-27B-IT. Модель принимает текст и изображения, поддерживает визуальные вопросы и ответы, понимание документов, рассуждение с опорой на изображения и создание подписей к ним. Контекст составляет 128 тысяч токенов; заявлены также вызов функций и структурированный вывод. Она предназначена для мультиязычных приложений, ориентированных на регион Юго-Восточной Азии. Модель может галлюцинировать, выдавать нерелевантные или непоследовательные ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности; текстовые возможности близки к базовой Gemma-SEA-LION-v4-27B-IT. Распространяется на условиях Gemma Terms of Use.

girenit-DocOCR-1B v2 — разработанная Girenit модель OCR для турецких корпоративных документов, дообученная полным обновлением параметров на базе LightOnOCR-2-1B-base. Она преобразует изображение страницы в упорядоченный текст в формате Markdown, сохраняя таблицы. Модель обучалась на 12 типах документов, включая счета, банковские квитанции, договоры аренды, страховые полисы, выписки и официальные письма, а также на цифровых изображениях, сканах и фотографиях с телефона. В README приведён результат CER 0,15% на 72 тестовых страницах. Однако страницы теста взяты из того же синтетического распределения, что и обучающие данные, поэтому качество на реальных документах может отличаться; для важных сценариев рекомендована проверка человеком. Модель распространяется по лицензии Apache-2.0.

GLiNER2-модель Fastino, дообученная Стефаном Йохансом с помощью LoRA для повышения полноты извлечения южноафриканских имён в строках адресов и внимания, подписях электронной почты и других текстах без явных слов-подсказок. Она предназначена для обнаружения персональных данных в текстовых полях веб-форм и может применяться как часть локального редактора PII. Базовая модель поддерживает извлечение нескольких типов персональных данных; это дообучение нацелено прежде всего на сущности типа name и сохраняет существующую настройку базовой модели для PII. Модель принимает текст и возвращает размеченные фрагменты сущностей. В README указаны тесты для имён на африкаанс, исизулу, исикоса, сесото, сетсвана, тшивенда и тсонга; метаданные также помечают английский и африкаанс. Вариант для развёртывания включает ONNX-фрагменты с динамической INT8-квантизацией энкодера. Репозиторий лицензирован по Apache-2.0. В тестах на 266 составных примерах дообученная версия показала полноту 99,7%, а вариант с INT8-энкодером — 99,5%; для адресных строк и подписей писем полнота составила соответственно 100% и 99,5% у исходного варианта дообучения. Результаты пока не подтверждены на отложенном корпусе реальных текстов. Обучающие примеры синтетические, а дообучение не нацелено на улучшение типов сущностей, отличных от имён.