I.3Извлечение и структурирование данных

MEMORYDistillPL-1.5b — польская языковая модель, дообученная автором на базе Qwen/Qwen2.5-1.5B-Instruct методом QLoRA. Она преобразует польские стенограммы разговоров в краткие структурированные заметки для долговременного хранения: суммирует обсуждение и извлекает упомянутые сущности, включая людей, организации, решения и факты. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Она рассчитана на узкую задачу суммаризации и извлечения сведений, а не на свободный чат. В README описана оценка на 82 польских стенограммах длиной до 8 тысяч токенов; в этом сравнении ответы модели чаще предпочитались ответам базовой Qwen2.5-7B-Instruct. Модель иногда пропускает сущности и может придумывать расшифровки польских сокращений. Работа на других языках и длинных входах не проверялась; для важных решений результаты нужно сверять с исходником. Лицензия — Apache 2.0. В репозитории есть веса для Transformers, LoRA-адаптер и варианты GGUF; низкая квантизация может заметнее снижать качество.

openbmb/MiniCPM-V-4.6-BNB — это квантованная в формате bitsandbytes NF4, 4-битная версия мультимодальной модели MiniCPM-V 4.6, разработанной командой OpenBMB. Модель предназначена для понимания изображений, нескольких изображений и видео, включая визуальный анализ, OCR и работу с мультимодальными запросами. Она ориентирована на эффективное развертывание на периферийных устройствах и мобильных платформах iOS, Android и HarmonyOS. В основе MiniCPM-V 4.6 используются визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B. Архитектура применяет смешанное сжатие визуальных токенов с коэффициентами 4x и 16x, что позволяет выбирать баланс между точностью и скоростью; вычислительная нагрузка визуального кодирования снижена более чем на 50%. README не указывает размер контекстного окна и полный список поддерживаемых языков. Доступна интеграция с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также экосистемами дообучения SWIFT и LLaMA-Factory. К сильным сторонам относятся компактность, низкая стоимость инференса, высокая эффективность на мобильных устройствах и мультимодальные возможности, сопоставимые с более крупными моделями на ряде тестов. Ограничения включают потери, связанные с 4-битной квантизацией, а также отсутствие в README подробностей о точности на конкретных задачах, контекстном окне и языковом покрытии. Модель распространяется по лицензии Apache-2.0.

Это англоязычная экстрактивная модель вопросно-ответной системы на базе MiniLM, разработанная badokorach путём дообучения deepset/minilm-uncased-squad2 на датасете, который в карточке не раскрыт. Модель принимает текст и вопрос и извлекает ответ из предоставленного текста; её можно применять для поиска ответов в документах и фрагментах текста. Модель построена на архитектуре BERT, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Опубликована в формате TensorFlow под лицензией CC BY 4.0. В карточке приведены значения Train Loss 0.9804 и Validation Loss 0.0 после трёх эпох; описание датасета и сведения о надёжности оценки отсутствуют.

Модель csikasote/mms-1b-all-bemgen-combined-train-drodat-gdro-1.65e-4-dat-0.019-no-sd-0.00-52 — дообученная версия facebook/mms-1b-all для автоматического распознавания речи. Она основана на архитектуре wav2vec2, содержит 1,3 млрд параметров и принимает аудио, выдавая текст. Дообучение выполнено на наборе BEMGEN - BEM; на оценочном наборе указаны Loss 12.0449 и CER 0.0516. Модель предназначена для преобразования речи в текст. Базовая MMS-1B-All поддерживает более тысячи языков, однако языковой охват именно этой дообученной версии в карточке не уточнён. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Карточка модели Arlizaethnunez/modelo-qa-pdqa-final на Hugging Face совпадает с карточкой Arlizaethnunez/modelo-qa, поэтому описание составлено по ней. Arlizaethnunez/modelo-qa — модель для извлечения ответов на вопросы на испанском языке. Она дообучена на обучающей части набора Lisibonny/pdqa на основе Lisibonny/modelo_qa_beto_squad_es_pdqa и использует архитектуру BERT с головой BertForQuestionAnswering; размер модели — 137,1 млн параметров, формат весов — safetensors. Модель принимает вопрос и текстовый контекст, затем выбирает ответный фрагмент непосредственно из контекста. Она предназначена для поиска фактов в предоставленных текстах и извлекающего ответа на вопросы на испанском. В карточке приведены метрики на небольшой валидационной выборке из 15 примеров: итоговая конфигурация получила Exact Match 73,33 и F1 80,15. Контекст модели — до 512 токенов. Обучение выполнено на 45 примерах, поэтому качество может быть нестабильным за пределами близких данных и сценариев. Модель не формулирует ответ самостоятельно и не ответит содержательно, если нужного фрагмента нет в контексте. Лицензия в предоставленных данных не указана.

vllm-sr разработала ModernBERT-base-32K — дообученную версию ModernBERT-base для обработки длинного контекста и заполнения пропусков в тексте. Это encoder-only модель архитектуры ModernBERT с 149 млн параметров. В карточке указано расширение контекста до 32 768 токенов с помощью масштабирования YaRN и специального обучения для сохранения зависимостей между удалёнными фрагментами; метаданные при этом указывают native context в 8 192 токена. Основная задача модели — предсказывать замаскированные токены. Её также можно использовать для извлечения признаков и построения downstream-решений, например классификации длинных текстов и семантического поиска по документам. Модель обучалась на длинных веб-текстах из Slimpajama; основным языком карточка указывает английский. Лицензия — Apache-2.0. Среди ограничений карточка отмечает снижение точности поиска удалённых фрагментов на больших расстояниях, ограниченную пользу контекста свыше 16K токенов и потребность примерно в 16 ГБ или более GPU-памяти для обработки 32K токенов; качество на узкоспециализированных текстах может быть ниже.

ModernCamemBERT — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2. Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask. Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

nomic-xlm-2048 — мультиязычный энкодер текста от Nomic AI, дообученный на основе FacebookAI/xlm-roberta-base. В модели заменены обучаемые позиционные эмбеддинги на RoPE; она обучалась 10 тысяч шагов на CC100 и поддерживает контекст до 2048 токенов. Размер — около 278 млн параметров. Модель предназначена для восстановления замаскированных слов и как основа для последующего дообучения под классификацию последовательностей и другие задачи понимания текста. В README приведены результаты на GLUE и XTREME-R, где модель показывает конкурентоспособное качество среди мультиязычных энкодеров. Метаданные также указывают поддержку классификации текста, выбора ответа, ответов на вопросы и разметки токенов. Модель принимает и выдаёт текст; она не является генеративным чат-ассистентом. README и метаданные не содержат сведений о лицензии, поэтому условия использования здесь определить нельзя.

bartowski/NuExtract-v1.5-GGUF — это набор GGUF-квантизаций модели NuExtract-v1.5, разработанной numind и подготовленной для запуска через llama.cpp. Модель относится к классу text-generation, поддерживает мультиязычные сценарии и распространяется под лицензией MIT. Модель предназначена для задач обработки и генерации текста, включая использование в локальных приложениях и средах, совместимых с GGUF, например LM Studio. Доступны варианты от F16 размером 7,64 ГБ до компактных Q2-квантизаций размером около 1,3–1,5 ГБ, а также многочисленные промежуточные форматы. В README указан специальный формат промпта с ролями system, user и assistant. Основное преимущество набора — широкий выбор уровней квантования, позволяющий выбирать баланс между качеством, размером файла и требованиями к памяти; для ARM-процессоров предусмотрены отдельные варианты с требованиями к поддержке SVE или i8mm. Ограничения связаны с тем, что более сильное квантование снижает качество, а некоторые ARM-варианты не рекомендуются для Mac и Windows. Архитектура, число параметров, максимальный контекст и точный перечень поддерживаемых языков в README не указаны.

NVIDIA-Nemotron-Nano-12B-v2-VL-NVFP4-QAD — мультимодальная авторегрессионная vision-language модель NVIDIA на базе оптимизированной архитектуры Transformer. В состав входят визуальный энкодер C-RADIOv2-H и языковая модель NVIDIA-Nemotron-Nano-12B-v2. Эта версия квантизирована в формате FP4 с применением TensorRT Model Optimizer и обучалась с использованием Quantization-aware Distillation для сохранения качества при низкой точности вычислений. Модель предназначена для обработки одного изображения вместе с текстовым запросом и генерации текстовых ответов. Основные сценарии включают суммаризацию изображений, анализ текста и изображений, распознавание текста (OCR), интерактивные вопросы и ответы по изображениям, а также рассуждения по цепочке мыслей. Поддерживаются немецкий, испанский, французский, итальянский, корейский, португальский, русский, японский, китайский и английский языки. Контекст и длина генерируемой последовательности составляют до 128K токенов. Изображения должны быть в формате RGB; прозрачность не поддерживается. Максимальное разрешение определяется ограничением в 12 тайлов размером 512×512 пикселей. К сильным сторонам относятся мультиязычность, поддержка широкого набора задач анализа изображений и оптимизация FP4 для NVIDIA GPU. Ограничения включают поддержку только одного изображения за запрос, требования к совместимому аппаратному обеспечению и программной среде: заявлены Linux, vLLM и микропроцессорная архитектура B100 SXM. Модель рассчитана на глобальное развёртывание и использование корпоративными AI-клиентами. Условия использования регулируются NVIDIA Open License Agreement.

OpenMed-NER-DiseaseDetect-SuperClinical-184M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для классификации токенов: он размечает упоминания заболеваний тегами BIO, включая B-DISEASE и I-DISEASE. В метаданных указано 211,6 млн параметров и контекст до 512 токенов; модель принимает токенизированный текст и возвращает метки сущностей. Модель предназначена для извлечения заболеваний из научных публикаций, клинических записей и медицинских документов, а также для биомедицинского поиска и анализа текстов. Она обучена на компоненте BC5CDR-Disease корпуса BioCreative V; карточка сообщает F1 0,89, точность 0,87 и полноту 0,92. Карточка заявляет поддержку английского языка и совместимость с Transformers. Модель распространяется по лицензии Apache-2.0. Её область распознавания ограничена заболеваниями; карточка не подтверждает распознавание лекарств или химических веществ этой версией, а результаты на других типах текстов и за пределами набора BC5CDR могут отличаться.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2-VL-2B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Это версия без настройки инструкциями; она предназначена для дальнейшей адаптации и задач понимания изображений и видео по текстовым запросам. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Для обработки изображений применяется динамическое разрешение, а позиционное кодирование M-ROPE учитывает текстовые, двумерные визуальные и трёхмерные видеоданные. Модель подходит для ответов на вопросы по изображениям и видео, визуального диалога, понимания документов и текста на изображениях, а также сценариев, где визуальные наблюдения сочетаются с текстовыми инструкциями. В карточке заявлена поддержка английского и китайского языков, а также распознавания текста на изображениях на многих других языках. Модель доступна в формате Safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. Поскольку это базовая версия без настройки инструкциями, готовое диалоговое поведение и качество следования пользовательским запросам могут быть ограничены.

Qwen3-VisionCaption-2B-GGUF — мультимодальная модель для генерации описаний изображений и визуального анализа, разработанная prithivMLmods. Она основана на Qwen3-VisionCaption-2B, дообученной версии Qwen3-VL-2B-Instruct-abliterated-v1. Модель предназначена для создания подробных подписей к изображениям, анализа сложных сцен, художественных материалов, технических схем и чувствительного контента, а также для задач аннотации датасетов, исследований модерации и red-teaming, accessibility-инструментов и генеративной оценки безопасности. Модель работает с текстом и изображениями, поддерживает английский и китайский языки, а также многоязычный OCR для 32 языков. Заявлены пространственное понимание, обработка различных соотношений сторон, поддержка контекста до 256K токенов и возможность запуска на устройствах с ограниченными ресурсами через llama.cpp и совместимые платформы. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекционные файлы; размер файлов зависит от варианта и составляет примерно от 445 MB до 6,89 GB. К сильным сторонам относятся подробные и фактические описания, визуальное рассуждение, работа с многоязычным текстом на изображениях и поддержка эффективного локального инференса. Ограничения включают отсутствие приведённых количественных оценок качества и подробностей о требованиях к оборудованию. README также характеризует модель как uncensored и указывает на обход стандартных фильтров содержимого, поэтому при работе с чувствительными данными необходимы дополнительные меры безопасности и контроля. Модель распространяется по лицензии Apache-2.0.

Qwen-encoder-0.5B-i1-GGUF — это квантизированная GGUF-версия модели Qwen-encoder-0.5B, разработанной knowledgator и подготовленной к квантизации пользователем mradermacher. Модель относится к энкодерным языковым моделям и связана с подходом LLM2Vec. В качестве обучающего набора указана англоязычная Wikipedia. Модель предназначена для задач классификации, извлечения именованных сущностей и question answering, а также для других сценариев, где требуется получать представления текста и анализировать его содержание. Указан размер около 0,5 млрд параметров, поддерживается английский язык. Модель распространяется в формате GGUF с несколькими вариантами квантизации размером примерно 0,4–0,6 ГБ, что позволяет запускать её на ограниченных по памяти устройствах. Сильными сторонами являются компактный размер, широкий выбор уровней квантизации и возможность локального использования. При этом README не содержит данных о длине контекста, точных характеристиках архитектуры, результатах оценки качества или поддержке других модальностей и языков. Низкобитные варианты могут заметно уступать по качеству; для компромисса между скоростью, размером и качеством рекомендованы Q4_K_S и Q4_K_M. Лицензия модели — Apache-2.0.

Модель asjc-classification/scibert_multilabel_asjc_classifier — дообученная SciBERT-модель для многометочной классификации научных документов по 307 предметным категориям ASJC. Она разработана на базе allenai/scibert_scivocab_uncased и обучена на наборе Crossref 2023 с названиями, аннотациями и названиями журналов. Модель принимает текстовые метаданные публикации и выдаёт оценки категорий; её можно применять для классификации отдельных работ и анализа тематического профиля коллекций авторов, организаций или баз данных. Архитектура — BERT для классификации последовательностей, размер — 137,1 млн параметров, контекст — до 512 токенов. По оценке авторов, взвешенный F1 составляет 0,892 при использовании названия, названия журнала и аннотации; для одних только названия и аннотации — 0,532. Лицензия — MIT. Качество зависит от полноты метаданных: отсутствие названия журнала снижает точность, а редкие категории классифицируются хуже. Используется срез схемы ASJC по состоянию на апрель 2023 года, поэтому новые области могут быть представлены недостаточно.

datarpit/toy-qa — дообученная модель DistilBERT для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель создана на основе distilbert-base-uncased; в README приведено значение функции потерь 0,2410 на оценочном наборе, но набор данных не назван. Модель использует архитектуру DistilBertForQuestionAnswering, формат PyTorch и контекст длиной до 512 токенов. Метаданные указывают на английский язык; лицензия — Apache-2.0. README не содержит сведений о специализации, обучающих данных или известных ограничениях, поэтому качество ответов для конкретных областей по имеющимся данным оценить нельзя.

TrOCR Devanagari — модель Anil Paudel, Aayush Puri и Yubaraj Sigdel для распознавания рукописного текста на непальском языке письмом деванагари. Она преобразует изображения рукописных слов в машинно-читаемый текст и предназначена для оцифровки непальских документов. В основе — архитектура Vision Encoder-Decoder: Vision Transformer (ViT) кодирует изображение, а трансформерный декодер NepBERT генерирует текст. Модель использует компоненты amitness/roberta-base-ne и google/vit-base-patch16-224-in21k; веса опубликованы в формате safetensors и доступны по лицензии MIT. Карточка описывает обработку изображений с изменением размера и дополнением полей перед распознаванием. Хотя в README упомянуто выделение текстовых областей в документах, основной задачей модели указано распознавание текста на изображении; отдельная проверка качества или заявленные ограничения не приведены.

ZihCiLin разработала TrOCR-модель на архитектуре vision-encoder-decoder для распознавания традиционного китайского текста на изображениях. Модель обучена с нуля на 4,1 млн синтетических пар «изображение—текст» и рассчитана на OCR исторических документов. Поддерживаются горизонтальная и вертикальная верстка, а набор символов включает 13 172 знака CNS11643. Модель подходит для распознавания традиционного китайского текста и оцифровки исторических документов с чистой печатной разметкой. На сильно повреждённых реальных документах и рукописях качество может снижаться; для исторических рукописей автор рекомендует вариант с дополнительным дообучением. Лицензия в доступных данных не указана.

Typhoon OCR 1.5 2B NVFP4 — это квантизированная версия мультимодальной модели typhoon-ai/typhoon-ocr1.5-2b, опубликованная nanash66. Модель предназначена для оптического распознавания текста в изображениях документов с преобразованием результата в чистый Markdown. Она также описывает визуальные элементы, таблицы, формулы, номера страниц и флажки в заданном формате. Модель рассчитана на использование только с официальным промптом Typhoon OCR v1.5 и не предназначена для общих задач визуальных вопросов и ответов. Архитектура основана на Qwen3VLForConditionalGeneration с визуальным энкодером Qwen3VL; модель содержит 28 слоёв, скрытое представление размером 2048, 16 attention heads и 8 KV-heads. Используется квантизация NVFP4 (W4A4) с group_size=16, выполненная с помощью NVIDIA ModelOpt 0.45.0. Размер квантизированной модели составляет 2,23 ГБ, заявленная длина контекста — 262 144 токена. Поддерживаются английский и тайский языки; целевая платформа — графические процессоры NVIDIA Blackwell, включая GB10 с архитектурой sm_121. Для инференса изображение рекомендуется масштабировать до максимального размера 1800 пикселей. К сильным сторонам относятся специализированная обработка документов, компактный размер после квантизации и структурированный вывод с поддержкой таблиц, LaTeX-формул и описаний изображений на тайском языке. Ограничения включают зависимость от единственного промпта, отсутствие встроенных защитных механизмов и возможность галлюцинаций. Для запуска NVFP4 требуется GPU Blackwell и среда NVIDIA ModelOpt. Модель является производной работой и распространяется по лицензии Apache-2.0.

VARCO-VISION-14B — мультимодальная модель NC Research, команды Multimodal Generation Team, для диалоговой работы с изображениями на английском и корейском языках. Модель построена по архитектуре LLaVA-OneVision и объединяет Qwen/Qwen2.5-14B-Instruct с визуальным энкодером google/siglip-so400m-patch14-384. Она принимает одно изображение и текстовый запрос, а выдаёт текст; поддерживает распознавание текста на изображении (OCR), поиск объектов и текста с привязкой к областям изображения и ответы на вопросы о визуальном содержимом. Модель предназначена для понимания изображений и задач визуально-языкового диалога. Для запуска README рекомендует Transformers версии 4.45.0 или новее. В карточке сообщается о выпуске версии 2.0 в июле 2025 года, поэтому эта версия 1.0 устарела относительно более новой. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; разработчик указывает исследовательское назначение.

Карточка модели mazz68/VisionPsy-Nano-460M на Hugging Face совпадает с карточкой qvac/VisionPsy-Nano-460M, поэтому описание составлено по ней. VisionPsy-Nano-460M — компактная модель «зрение–язык», разработанная Tether AI Research на базе nanoVLM. Она предназначена для локального запуска на устройствах с ограниченными ресурсами и решает задачи визуальных вопросов и ответов, чтения текста на изображениях, понимания документов, диаграмм и графиков, а также выполнения простых инструкций по изображению. Модель содержит около 460 млн параметров, использует визуальный энкодер SigLIP2 и языковую основу SmolLM2, обрабатывает изображения размером 512×512 и поддерживает контекст до 8 тысяч токенов. По внутренним оценкам разработчика, она сопоставима с моделями схожего размера на большинстве из 17 публичных тестов; результаты получены на едином стенде VLMEvalKit с использованием LLM-судьи для части метрик. Модель рассчитана на одно изображение в запросе и преимущественно на английский язык. Она может ошибаться, неверно считать объекты и хуже справляться с плотными документами и длинными математическими рассуждениями; другие языки официально не поддерживаются. Не предназначена для решений, критичных для безопасности или имеющих высокую цену ошибки. Лицензия — Apache-2.0.

wietsedv/xlm-roberta-base-ft-udpos28-en — модель разметки последовательностей на основе XLM-RoBERTa base, опубликованная wietsedv. Она дообучена для определения частей речи английских слов по разметке Universal Dependencies v2.8 и предназначена для POS-тегирования текстов и обработки последовательностей токенов. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает текстовый контекст длиной до 514 токенов. В карточке указана лицензия Apache-2.0. Описание не приводит оценок качества и подробностей ограничений, поэтому точность на иных доменах или схемах разметки не установлена.

MixTex/ZhEn-Latex-OCR — модель распознавания содержимого изображений, разработанная автором репозитория MixTex. Она предназначена для преобразования изображений с математическими формулами и текстом на китайском и английском языках в LaTeX. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате safetensors. Автор рекомендует изображения размером примерно 400 × 500 пикселей и ожидаемую длину результата около 100–300 токенов. В карточке упоминаются локальный офлайн-клиент для Windows с CPU-инференсом и использование в Colab. Лицензия — Apache-2.0.

LocalDoc разработала компактную модель распознавания отдельных строк азербайджанского текста на основе CRNN с CTC-декодированием. Она принимает изображение уже обрезанной строки и выдаёт текст латиницей или кириллицей; для распознавания целых страниц её можно сочетать с детектором строк. Модель содержит 8,5 млн параметров, занимает около 34 МБ и работает на CPU. В README приведены результаты на наборе LocalDoc/azerbaijani-ocr-benchmark: CER 0,0242 и WER 0,0565. Модель подходит для распознавания строк в сканах книг и документов на азербайджанском языке, в том числе при пакетной обработке страниц через отдельный детектор. Она использует жадное CTC-декодирование без языковой модели; заявлена лицензия CC BY 4.0. Карточка рекомендует учитывать качество исходных сканов и особенности обучающих меток при оценке результатов.

valhalla/bart-large-finetuned-squadv1 — модель BART-large, дообученная Suraj Patil на наборе SQuAD v1 для ответов на вопросы по предоставленному тексту. Она кодирует документ и вопрос и предсказывает ответный фрагмент в тексте. Модель построена на архитектуре BART encoder-decoder: 12 слоёв кодировщика и 12 слоёв декодера; содержит около 252,8 млн параметров и рассчитана на последовательности длиной до 1024 токенов. В карточке указаны результаты на SQuAD v1: EM 86,80 и F1 92,73; автор отмечает, что они немного ниже опубликованных в статье BART. Модель предназначена для англоязычного извлечения ответов из контекста и может применяться в системах вопросов и ответов по документам. Лицензия в предоставленных данных не указана.

Карточка модели zohaib99k/Bert_Arabic-SQuADv2-QA на Hugging Face совпадает с карточкой ZeyadAhmed/AraElectra-Arabic-SQuADv2-QA, поэтому описание составлено по ней. AraElectra-Arabic-SQuADv2-QA — модель ZeyadAhmed для извлечения ответов на вопросы по тексту на арабском языке. Она дообучена на AraElectra на наборе Arabic-SQuADv2.0, включающем вопросы без ответа, и использует классификацию для определения таких вопросов. Модель построена на архитектуре ELECTRA и содержит 162,4 млн параметров. Она принимает вопрос и контекст и возвращает найденный в контексте ответ либо определяет, что ответа нет. Максимальная длина контекста — 512 токенов. README рекомендует использовать препроцессор AraBERT для арабского текста. Модель предназначена для извлечения ответов из текстовых отрывков, включая контексты из арабской Википедии и пользовательские тексты. В README описана оценка на тестовой части Arabic-SQuAD 2.0, однако численные результаты не приведены. Лицензия в предоставленных данных не указана.

mrm8488/bert-base-german-finetuned-ler — модель на основе BERT-base-german-cased, дообученная Manuel Romero для распознавания именованных сущностей в немецких юридических документах. Она выполняет токенную классификацию и подходит для извлечения юридических сущностей из судебных решений и других немецкоязычных правовых текстов. Модель содержит 136,3 млн параметров, использует архитектуру BERT и обрабатывает контекст длиной до 512 токенов. В README приведены результаты оценки на наборе Legal-Entity-Recognition: F1 85,67, точность 84,35 и полнота 87,04. Данные включают судебные решения семи федеральных судов Германии за 2017–2018 годы. Модель распространяется под лицензией Apache-2.0.

Модель OpenAlex разработана для классификации научных публикаций по заранее заданному набору тематик OpenAlex. Это дообученная многоязычная BERT-модель с архитектурой BertForSequenceClassification и 205,1 млн параметров; она принимает заголовок и аннотацию в заданном текстовом формате, а также может классифицировать текст только по заголовку или аннотации. Результат содержит тематическую метку OpenAlex и оценку модели для каждой темы. Модель предназначена для быстрого определения тематики научной работы по её заголовку и аннотации. Она может быть компонентом более полной системы классификации публикаций, где также учитываются сведения о журнале и цитировании. Контекст модели составляет до 512 токенов, поэтому длинный входной текст обрезается. Доступны веса в форматах safetensors и TensorFlow; модель распространяется по лицензии Apache 2.0. Это отдельная модель классификации текста, а не полная система OpenAlex для присвоения тем работам. Она обучена на размеченных данных CWTS; возможны смещения, унаследованные от базовой BERT-модели, а качество зависит от предобработки входа и соответствия тематики публикации фиксированному набору меток.

BERTimbau Base — предварительно обученная модель BERT для бразильского португальского языка, разработанная Neuralmind. Это базовая версия архитектуры BERT с 12 слоями и примерно 136,1 млн параметров по метаданным; она предназначена для заполнения замаскированных токенов и получения текстовых представлений, которые можно использовать в задачах обработки португальского языка. В README также отмечены результаты на распознавании именованных сущностей, оценке семантического сходства предложений и распознавании текстового следования; для этих задач модель обычно требуется дообучить. Модель принимает текст и предсказывает пропущенные токены. Контекстное окно составляет 512 токенов. В карточке указаны варианты весов для PyTorch, TensorFlow и Flax, а лицензия — MIT. Модель ориентирована на бразильский португальский и обучалась на корпусе brWaC.