I.3Извлечение и структурирование данных

Auto-Fill-Qwen3-8B-Coding — специализированная языковая модель семейства Qwen3, разработанная для системы Auto-Fill и дообученная командой авторов проекта на базе Qwen/Qwen3-8B. Она получает таблицу с одной ячейкой, отмеченной как [MISSING], и генерирует правило на Python с pandas для заполнения значения, когда между столбцами есть программная зависимость: например, арифметическое соотношение, преобразование строки или поиск по таблице. Если общего правила для столбца нет, модель обучена возвращать пустой код. Это плотная авторегрессионная модель на 7,6 млрд параметров с контекстом до 40 960 токенов. Она предназначена для английских таблиц, сериализованных в формате Markdown, и обучена на 52 741 примере с проверкой исполнения и точности кода. В составе Auto-Fill она работает параллельно со специалистами по знаниям и рассуждениям; система калибрует уверенность и может воздержаться от ответа. Лицензия — Apache-2.0. Модель особенно подходит для восстановления пропусков, объяснимых зависимостями внутри таблицы. В одиночку она хуже справляется с пропусками, требующими внешних знаний; в тестировании на бенчмарке её средний Recall@Precision=0.9 составил 0,344, тогда как у полной системы Auto-Fill — 0,628. Сгенерированный код следует исполнять в изолированной среде. Обучение и оценка проводились на таблицах с одной пропущенной ячейкой и длиной до 40 960 токенов.

ss756/bert-base-cased-finetuned-squad — модель BERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному тексту. В репозитории указаны 135,5 млн параметров, архитектура BertForQuestionAnswering, формат PyTorch и контекст до 512 токенов. Разработчик приводит значение loss 1,0081 на оценочной выборке. Модель предназначена для извлечения ответа из контекста по вопросу, например для поиска фактов в документах или создания простого конвейера вопросно-ответного поиска. Она основана на bert-base-cased и распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и ограничения качества; обучение на SQuAD указывает на англоязычную задачу.

VedantS01/bert-finetuned-custom — модель на архитектуре BERT, дообученная разработчиком репозитория на наборе данных, указанном в карточке как None. Она предназначена для ответов на вопросы: модель получает вопрос и текстовый контекст и предсказывает фрагмент контекста в качестве ответа. Размер модели — 136,7 млн параметров; длина контекста — до 512 токенов. Модель использует PyTorch и распространяется по лицензии Apache-2.0. Базовая модель bert-base-uncased рассчитана на английский язык. Карточка не содержит подробностей о данных дообучения и оценке качества, поэтому нельзя определить, на какие именно вопросы модель отвечает лучше всего или как она ведёт себя вне обучающего домена.

Модель badokorach/bert-finetuned-squad-7-finetuned-081023 — дообученная версия BERT для ответов на вопросы по текстовому контексту. Она предназначена для сценариев, где вместе с вопросом подаётся текст, из которого модель извлекает ответ. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. Модель дообучена на наборе данных SQuAD и опубликована под лицензией Apache-2.0. В карточке приведено значение loss 1,1157 на оценочном наборе. Язык данных и другие ограничения качества в источниках не описаны.

boltuix/bert-large — англоязычная модель BoltUIX на архитектуре BERT, представленная как вариант для задач понимания текста. Это дообученная версия google/bert-base-uncased с 117,8 млн параметров; модель использует двунаправленный трансформер, WordPiece и контекст до 512 токенов. В метаданных указаны класс BertForMaskedLM, формат safetensors и задача fill-mask; карточка также описывает предобучение с целями masked language modeling и next sentence prediction на BookCorpus и англоязычной Wikipedia. Модель можно применять для предсказания пропущенных слов, а после дополнительной настройки — для классификации последовательностей и токенов, анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о логических связях между предложениями. Карточка сообщает о сильных результатах на GLUE, но не приводит численных метрик, поэтому сравнить качество по конкретным показателям нельзя. Модель рассчитана на английский язык и не предназначена для генерации текста; размер чекпойнта около 365 МБ требует заметных вычислительных ресурсов и ограничивает использование на маломощных устройствах. Обучающие данные могут содержать социальные предубеждения. Лицензия — MIT.

anas-awadalla/bert-small-pretrained-finetuned-squad — модель на архитектуре BERT, дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; размер модели — 32,4 млн параметров, максимальная длина контекста — 512 токенов. В README указаны результаты на SQuAD: exact match 72,20 и F1 81,32. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не описывает целевые языки и прикладные ограничения; результаты и назначение указывают на сценарий чтения вопросов по текстовому контексту.

Это дообученная модель RoBERTa, разработанная командой NLP4BIA Барселонского суперкомпьютерного центра (BSC) на корпусе DrugTEMIST — испанском золотом стандарте для распознавания лекарственных средств. Модель предназначена для извлечения упоминаний препаратов из испанских клинических текстов и электронных медицинских записей с помощью классификации токенов. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метки токенов. Контекст составляет 514 токенов. При подготовке входа рекомендуется предварительно разбивать текст на слова, как это делалось при обучении: другой способ токенизации может снизить качество результатов. В карточке не приведены оценки качества и исследования смещений; разработчики предупреждают о возможных смещениях в данных. Модель распространяется по лицензии CC BY 4.0. Её результаты не заменяют клиническую проверку, а при использовании необходимо учитывать применимые требования и регулирование.

CapRL-Qwen3VL-2B — мультимодальная модель для создания описаний изображений из серии CapRL 2.0, опубликованной авторами проекта CapRL. Она основана на архитектуре Qwen3-VL и принимает изображения с текстовыми запросами, выдавая текстовые описания. Версия на 2 млрд параметров ориентирована на скорость и экономию вычислительных ресурсов; авторы сообщают, что она превосходит CapRL-Qwen2.5VL-3B и Qwen2.5VL-72B в задачах описания изображений. Модель предназначена для подробного описания естественных изображений, диаграмм, инфографики и документов. В README описан подход CapRL с обучением на QA-данных и подкреплением с проверяемыми наградами; каталог указывает датасет internlm/CapRL-2M. В карточке заявлена лицензия Apache-2.0. Результаты могут содержать ошибки или пропускать визуальные детали; численные оценки качества и длина контекста в предоставленных данных не приведены.

DistilBERT base uncased — компактная дистиллированная модель семейства BERT, разработанная Hugging Face. Она обучена на английских текстах BookCorpus и Wikipedia с помощью BERT base в роли учителя, поэтому работает быстрее и имеет более компактное представление, сохраняя двунаправленную обработку контекста. Архитектура — DistilBertForMaskedLM; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для предсказания замаскированных слов и последующего дообучения для классификации последовательностей и токенов, а также ответов на вопросы. Модель чувствительна к регистру в смысле uncased: текст приводится к нижнему регистру. Она не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообученная версия. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Лицензия — Apache-2.0.

lorenzkuhn/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе данных SQuAD v2 для извлечения ответов на вопросы из предоставленного текста. Она принимает вопрос и контекст и предсказывает фрагмент контекста как ответ; архитектура относится к плотным трансформерам, формат весов — PyTorch, контекст ограничен 512 токенами. В README указано значение loss 1,3206 на оценочной выборке. Модель предназначена для английских текстов и сценариев поиска ответа в документе или отрывке. Карточка не содержит подробной оценки качества за пределами указанного loss и не описывает дополнительные применения. Распространяется по лицензии Apache-2.0.

Это испаноязычная модель ответов на вопросы, созданная Manuel Romero (mrm8488) на основе BETO — испанской версии BERT. Модель дообучена на SQuAD-es-v2.0 с дистилляцией знаний от bert-base-multilingual-cased; карточка указывает размер 137,1 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного контекста и может использоваться для поиска фактов в испанских текстах и систем вопросно-ответного поиска. Автор отмечает, что дистилляция делает её меньше, быстрее и экономичнее по сравнению с исходной дообученной моделью BETO. Результаты оценки в карточке не приведены, поэтому качество на конкретных данных следует проверять отдельно. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

distilroberta-base-task-specific-distilation-on-squad — дообученная на датасете SQuAD модель DistilRoBERTa для ответов на вопросы по предоставленному контексту. Она использует архитектуру RoBERTa и содержит 95,2 млн параметров; заявленная длина контекста — 514 токенов. Подходит для извлечения ответов из текста в системах поиска по документам и вопросно-ответных интерфейсах. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки и дополнительных сведений о качестве или ограничениях, поэтому их нельзя подтвердить по доступным данным.

Enoki OpenIE Encoder — англоязычная модель извлечения фактов, разработанная командой s-nlp для конвейера обнаружения галлюцинаций Enoki. Она преобразует предложение в привязанные к исходным токенам тройки «субъект — отношение — объект», чтобы факты можно было проверять по отдельности и находить их исходные фрагменты текста. Модель основана на энкодере answerdotai/ModernBERT-large и использует архитектуру Iterative Grid Labeling. Это дистиллированный из результатов Enoki-LLM извлекатель фактов, обученный на dev-разделе набора EnokiQA. В составе конвейера Enoki извлечённые утверждения можно передавать отдельному NLI- или фактологическому верификатору для проверки по справочному контексту и локализации неподтверждённых фрагментов. Модель предназначена для английского текста; рекомендуется подавать по одному предложению на вход, а максимальная длина последовательности по умолчанию составляет 128 токенов. IGL может возвращать вложенные или инкрементальные тройки; порог min_confidence 0,7–0,8 помогает получить меньше результатов с более высокой точностью. Для загрузки требуется trust_remote_code=True, поскольку архитектура и декодер OpenIE реализованы пользовательским кодом Transformers в репозитории. Лицензия в предоставленных данных не указана.

EraX-VL-2B-V1.5-i1-GGUF — квантизированная мультимодальная модель на основе EraX-VL-2B-V1.5, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста, включая задачи OCR, преобразование изображения в текст и ответы на запросы по изображениям. В метаданных также указано применение в страховании. Поддерживаются вьетнамский, английский и китайский языки. Модель имеет размер около 2 млрд параметров в базовой версии и поставляется в нескольких вариантах квантизации GGUF объёмом примерно от 0,5 до 1,4 ГБ. Доступны форматы IQ и Q с разным соотношением размера, скорости и качества; среди рекомендуемых вариантов указаны i1-Q4_K_M и i1-Q4_K_S. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Сведения об архитектуре, размере контекстного окна, результатах тестирования и ограничениях качества базовой модели в README не приведены. Лицензия модели — Apache-2.0. Квантизация уменьшает требования к памяти и позволяет запускать модель локально, однако низкокачественные варианты могут заметно уступать по качеству более крупным или менее агрессивно квантизированным версиям.

gouravsinha/finance-NER — языковая модель для извлечения сущностей из финансовых предложений, например имён людей, сведений о покупке и продаже акций и приобретениях компаний. README содержит шаблон запроса, который просит выдавать результат в виде списка словарей, и пример загрузки модели как причинной языковой модели MPT. Для загрузки README указывает базовую модель mosaicml/mpt-7b-instruct. MPT поддерживает функции FlashAttention и ALiBi; в примерах также показана настройка длины последовательности 4096 токенов. Модель принимает текст и генерирует текст с извлечёнными сведениями. Для загрузки требуется trust_remote_code=True, поскольку используется пользовательская архитектура MPT. В метаданных указаны библиотека PyTorch, формат весов PyTorch и лицензия CC BY-SA 3.0. Карточка не приводит оценки точности или подробной схемы извлекаемых полей, поэтому результаты извлечения следует проверять на целевых документах.

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors. Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

GovernanceBERT-governance — англоязычная модель классификации текста для выявления материалов по корпоративному управлению в тематике ESG. Её разработали авторы семейства ESGBERT; модель дообучена на GovernanceBERT-base с использованием набора из 2 тысяч примеров о корпоративном управлении. Архитектура — RoBERTa для классификации последовательностей, размер — 95,2 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для отбора и анализа текстов о корпоративном управлении, в том числе при обработке ESG-коммуникаций и подготовке крупных текстовых анализов. Она ориентирована на английский язык и выдаёт результат классификации. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Качество зависит от соответствия входных текстов тематике и распределению данных, на которых модель дообучалась.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

Healthcare Brain Diagnosis ICD NER — модель Genzeon Platforms для извлечения диагнозов и связанных с ними сущностей из клинических текстов. Это BERT-модель токен-классификации на основе PubMedBERT с BIO-разметкой; она содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель распознаёт девять категорий сущностей, включая основные и сопутствующие диагнозы, осложнения и статус диагноза. Модель предназначена для структурирования выписок, клинических записей и других медицинских текстов, а также для поддержки медицинского кодирования и клинических исследований. В описанном двухэтапном процессе SapBERT связывает извлечённые упоминания с кодами ICD-10 и SNOMED; для этого нужен предварительно подготовленный индекс кодов. Модель оптимизирована для английских клинических и биомедицинских текстов. По README, обучение преимущественно использовало синтетические данные, поэтому качество на разнообразной реальной документации может отличаться; неоднозначные записи также могут затруднять категоризацию диагнозов. Для клинических и кодировочных решений рекомендуется проверка специалистом. Лицензия — Apache-2.0.

mingchi21/hf_question_answering_model — англоязычная модель DistilBERT, дообученная разработчиком на задаче question-answering. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться для поиска фактов в коротких текстовых фрагментах. Модель построена на DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате safetensors. В README приведено значение loss 1,6937 на evaluation set, но набор данных и методика оценки не описаны, поэтому по этому результату нельзя надёжно судить о качестве. Модель распространяется по лицензии Apache-2.0.

Модель sampathkethineedi/industry-classification разработана для отнесения описания бизнеса к одной из 62 отраслевых меток. Это классификатор текста на архитектуре DistilBERT, обученный на 7000 примерах описаний компаний в Индии. Модель принимает текст и возвращает отраслевую категорию; длина контекста составляет 512 токенов. Доступны версии для PyTorch и TensorFlow. Модель подходит для автоматической категоризации компаний по текстовым описаниям, например, при создании отраслевых каталогов или классификации бизнес-профилей. Обучающие данные охватывают только индийские компании, поэтому точность на описаниях бизнесов из других стран или отраслей может быть ниже. Лицензия в предоставленных данных не указана.

InternVL3.5-2B-Instruct — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на базе OpenGVLab/InternVL3_5-2B-Pretrained. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач на мультимодальное рассуждение. В README описаны возможности семейства InternVL3.5, включая распознавание текста на изображениях и взаимодействие с графическим интерфейсом, но отдельные характеристики версии 2B в предоставленном фрагменте не уточняются. Модель поддерживает мультиязычные сценарии, использует архитектуру InternVLChatModel и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. В метаданных также заявлен интерфейс вызова инструментов; его фактическая поддержка зависит от используемого шаблона и системы запуска.

Keye-VL-2.0-30B-A3B-GGUF — мультимодальная модель семейства Keye, разработанная командой Kwai Keye. Она предназначена для обработки изображений, видео и текста, прежде всего для понимания длинных видеозаписей, временной локализации событий, OCR, анализа диаграмм и таблиц, визуального вопросно-ответного взаимодействия и мультимодального рассуждения. Модель также ориентирована на агентские сценарии: работу с кодом, инструментами, поиском, репозиториями и визуальной самопроверкой. Модель относится к 30B-классу и распространяется в формате GGUF с вариантами квантования BF16, F16, Q8_0 и Q4_K_M. В архитектуре используются разреженное внимание DSA (DeepSeek Sparse Attention), целевая агрегация признаков, параллелизм ViT-LM и оптимизированные вычислительные ядра, что предназначено для эффективной работы с длинными последовательностями. Заявлена поддержка контекста до 256K токенов и анализа видео продолжительностью до часа. В README явно указан английский язык; сведения о полноценной поддержке других языков отсутствуют. Сильными сторонами являются длинноконтекстное понимание видео, точная временная локализация, мультимодальное рассуждение и встроенные возможности для агентских задач. Ограничениями выступают высокие требования к ресурсам: размер файлов варьируется от 29 ГБ для Q8_0 до 58 ГБ для F16, а для работы с длинными видео и контекстом потребуется значительный объём памяти. Условия использования определяются лицензией Apache-2.0.

ko-pii-public-v1 — модель для обнаружения и классификации персональных данных в корейском тексте. Автор дообучил OpenAI Privacy Filter на синтетических документах, данных KDPII и примерах KLUE NER. Модель поддерживает 23 категории, включая имена, телефоны, адреса, идентификаторы, банковские и карточные данные; архитектура — MoE для классификации токенов, веса опубликованы в формате safetensors. Карточка указывает 145,4 млн параметров и контекст 131 072 токена. Модель предназначена для поиска персональных данных в корейских формах, письмах, документах KYC, медицинских записях, договорах и протоколах встреч, чтобы затем маскировать найденные фрагменты. Разработчик рекомендует разбивать документы длиннее 500 символов на фрагменты примерно по 150 символов. Указана лицензия CC BY-SA 4.0, унаследованная от обучающих данных KLUE. В оценке автор сообщает о повышении устойчивости на документах разной длины, но отмечает снижение F1 на тесте KDPII по сравнению с предыдущей версией. Модель может пропускать отдельные номера паспорта и автомобильные номера без окружающих ключевых слов, широко размечает географические названия как адреса и может считать прозвища именами. Результаты для OCR, диалектов и сильно зашумлённого текста не приведены; качество на собственных доменных данных следует проверять отдельно.

Korean PII NER v3 — корейская модель распознавания именованных сущностей для обнаружения потенциально персональных данных в тексте. Разработчик дообучил klue/roberta-large с архитектурой RoBERTa на задачу классификации токенов. Модель содержит 435,4 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт разметку BIO для сущностей NAME, ADDRESS и ORG. Модель предназначена для поиска имён людей, адресов и организаций в корейском тексте, в том числе как детектор в конвейере защиты от утечек персональных данных. Внутренний тестовый набор показал macro-F1 0,878, а внешняя оценка на KLUE-NER — 0,766; эти результаты относятся к указанным наборам данных. Для промышленного применения автор рекомендует сочетать модель с регулярными выражениями, словарями и дополнительной коррекцией границ сущностей. Модель не обнаруживает телефонные номера, адреса электронной почты, номера регистрации резидентов и данные банковских карт. Возможны ошибки границ адресов и снижение качества на медицинских, финансовых, юридических и других отличающихся от обучающих данных текстах. Лицензия — CC-BY-SA-4.0.

protectai/lakshyakh93-deberta_finetuned_pii-onnx — это ONNX-конверсия модели lakshyakh93/deberta_finetuned_pii, подготовленная ProtectAI с использованием библиотеки Hugging Face Optimum. Модель предназначена для задач token classification, в частности для обнаружения и классификации персональных данных в англоязычном тексте. Ключевая архитектурная особенность модели — формат ONNX, который может упростить интеграцию и выполнение модели в совместимых средах инференса. В README указано, что модель поддерживает английский язык. Размер модели, максимальная длина контекста, точный набор распознаваемых категорий персональных данных и другие архитектурные характеристики не раскрыты. Модель может использоваться в сценариях автоматического выявления PII перед обработкой, передачей или сохранением текста. Ограничения включают отсутствие сведений о качестве, метриках, поддерживаемых типах сущностей и совместимости с конкретными средами выполнения. Проект архивирован и больше не поддерживается. Модель распространяется по лицензии Apache-2.0.

LFM2-1.2B-Extract-GGUF — набор GGUF-квантизаций модели LFM2-1.2B-Extract, разработанной LiquidAI и квантованной пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от полноразмерных BF16 до квантизаций Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти; размеры представленных файлов составляют примерно от 0,54 до 2,34 ГБ. Сильной стороной набора является широкий выбор форматов для разных аппаратных ограничений, включая варианты, рекомендованные автором как обеспечивающие высокое или хорошее качество. Более компактные квантизации экономят память, но могут снижать качество генерации; некоторые устаревшие форматы ориентированы на специфические сценарии вроде ARM- или AVX-инференса. Формат prompt не указан, языки, размер контекста, архитектура и дополнительные модальности в README не описаны. Лицензия также не указана; условия использования следует уточнять на странице исходной модели LiquidAI/LFM2-1.2B-Extract.

alimandela/logistics-extractor-gemma3-270m — текстовая модель генерации на базе Gemma 3, дообученная alimandela на unsloth/gemma-3-270m-it с помощью Unsloth и библиотеки TRL. По названию модель предназначена для извлечения сведений из логистических текстов, например для преобразования описаний отправлений или документов в структурированные ответы; README не уточняет формат данных и точные сценарии применения. Модель имеет плотную архитектуру Gemma3ForCausalLM, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст; метаданные указывают английский язык и диалоговую возможность. Распространяется в формате Safetensors по лицензии Apache-2.0.

Это модель для ответов на вопросы по испанским текстам. Её дообучил mrm8488 на наборе SQAC — данных для извлекающего ответа на вопросы, составленных из испанских энциклопедических статей, новостей и текстов корпуса AnCora. В основе — Longformer с архитектурой RoBERTa; модель содержит около 151,8 млн параметров и принимает контекст длиной до 4098 токенов. Модель подходит для поиска ответа в длинном испанском документе: на вход подаются вопрос и контекст, а на выходе — фрагмент текста с ответом и его позициями. Это извлекающая система вопросов и ответов, а не генератор развернутых ответов. В карточке не приведены результаты оценки качества. Указана библиотека PyTorch; отдельные условия лицензирования самой модели не описаны.

Lumma-Fev-9B — плотная модель принятия решений семейства FEV от FrontiersMind. Она обрабатывает один документ или состояние, представленное текстом, JSON-объектом либо массивом, и набор типизированных вопросов, возвращая распределение вероятностей для каждого вопроса за один проход. Модель не генерирует текст; доступны ответы форматов yes/no, выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по содержимому документов: например, для присвоения категории, определения эмоции или извлечения ответа на типизированный вопрос. В README приведены результаты на Typed-decisions, AG News и DAIR Emotion, однако они не гарантируют качество на пользовательских данных. Вопросы обрабатываются независимо друг от друга. Репозиторий использует библиотеку Transformers и формат safetensors; точное число параметров в предоставленных сведениях не указано. Лицензия — Apache-2.0. Уверенность и вероятности являются оценками модели, поэтому их калибровку следует проверить на размеченных данных перед использованием для автоматических решений.