I.3Извлечение и структурирование данных

ytu-ce-cosmos/modernbert-tr-massive-slot — турецкая модель разметки последовательностей на базе энкодера ModernBERT-TR, разработанная для заполнения слотов в системе понимания речи MASSIVE 1.1. Она классифицирует токены по схеме BIO для 55 типов слотов, выделяя, например, сущности в запросе «найди билет до Анкары на следующую пятницу». Модель содержит 148,7 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. Контрольная точка получила entity-level F1 75,30% на тестовом наборе MASSIVE 1.1 для турецкого языка; указанный для неё результат на 0,03 процентного пункта выше среднего 75,27 ± 0,31% по пяти запускам. Это дообучение ytu-ce-cosmos/modernbert-tr-base; доступны веса Safetensors и формат ONNX. Модель распространяется по лицензии Apache-2.0.

mRoBERTa — многоязычная языковая модель на архитектуре RoBERTa, разработанная BSC-LT и обученная с нуля на данных 35 европейских языков и 92 языков программирования. В метаданных указано 309,9 млн параметров, библиотека Transformers и контекст до 514 токенов; README приводит оценку размера 283 млн параметров. Модель использует токенизатор SentencePiece с словарём на 256 000 токенов и предобучалась методом masked language modeling на корпусе объёмом 12,8 ТБ. Основная задача модели — предсказывать замаскированные фрагменты текста. Её также можно дообучать для классификации, распознавания именованных сущностей и других задач понимания текста на поддерживаемых языках. README описывает оценку на многоязычных тестах, включая XTREME, а также отдельные тесты для каталанского, галисийского и баскского языков. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache 2.0. Как энкодерная модель заполнения масок, mRoBERTa не предназначена для генерации длинных текстов в режиме диалога; для прикладных задач, отличных от заполнения масок, потребуется подходящая дополнительная настройка.

Yunika/muril-large-squad-nepali-hindi — модель для ответов на вопросы, созданная дообучением google/muril-large-cased. Она использует архитектуру BERT и содержит около 604,7 млн параметров; модель рассчитана на контекст до 512 токенов и сохранена в формате safetensors. Базовая MuRIL от Google предназначена для NLP-задач на 17 индийских языках и их транслитерированных вариантах. Название репозитория указывает на настройку для непальского и хинди, однако README не описывает обучающие данные или результаты оценки. Лицензия в предоставленных данных не указана.

XRe03/my_awesome_qa_model — модель DistilBERT, дообученная на distilbert/distilbert-base-uncased для ответа на вопросы. Она предназначена для задач question answering; карточка сообщает значение loss 1,7381 на оценочном наборе, но не описывает набор данных и условия оценки. Модель использует архитектуру DistilBertForQuestionAnswering, формат safetensors и контекст до 512 токенов. Базовая модель ориентирована на английский язык. Лицензия — Apache-2.0.

Impresso NER — модель распознавания именованных сущностей в оцифрованных исторических документах, разработанная командой Impresso в EPFL. Она предназначена для анализа архивных текстов на английском, французском и немецком языках, включая тексты с ошибками OCR, вариативным написанием и нестандартной языковой формой. Модель использует стековую архитектуру на основе BERT: к предобученному многоязычному историческому BERT добавлены один или два слоя Transformer и декодер CRF. Это модель классификации токенов с 49,9 млн параметров и контекстом до 512 токенов. Она размечает сущности разных типов и уровней детализации, включая людей, организации, продукты, временные выражения и места; для людей может также извлекать имя, титул и функцию в контексте. Модель дообучена на базе dbmdz/bert-medium-historic-multilingual-cased и оценивалась на датасете HIPE-2020. Она подходит для исторического извлечения информации, но не предназначена для современных новостей и социальных сетей; качество может снижаться на неевропейских языках и при сильном шуме OCR. Лицензия — AGPL-3.0-or-later.

OpenMed/OpenMed-NER-DNADetect-EuroMed-212M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный EuroBERT с архитектурой EuroBertForTokenClassification, примерно 211,7 млн параметров и контекстом до 8192 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. Модель предназначена для извлечения сущностей из научной биомедицинской литературы и медицинских документов, включая анализ упоминаний генов и белков, поиск по корпусам публикаций и построение биомедицинских баз знаний. В README указаны результаты на JNLPBA: F1, точность и полнота 0,73, accuracy 0,92. Карточка заявляет английский язык и совместимость с Transformers; лицензия — Apache-2.0.

PP-OCRv6_small_det_onnx — модель обнаружения текста на изображениях из экосистемы PaddlePaddle и PaddleOCR, разработанная командой PaddlePaddle. Она предназначена для OCR-сценариев, где требуется находить текстовые области или строки на изображении перед последующим распознаванием. Модель поставляется в формате ONNX и относится к облегчённой версии PP-OCRv6. В карточке указаны поддерживаемые языки English и Chinese, а также задачи textline detection и image-to-text. Точные сведения об архитектуре, числе параметров, размере контекста и производительности в предоставленных данных отсутствуют. Сильная сторона модели — специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимых средах. Она не предназначена для самостоятельного полноценного распознавания содержимого текста: для получения символов потребуется отдельный OCR-компонент распознавания. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic-MLX-4bit — неофициальная MLX-конверсия модели medismera/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic, опубликованная uzzero для локального запуска на компьютерах Apple Silicon. Исходная модель основана на Qwen/Qwen3.8-27B, разработанной Qwen и Alibaba Cloud. Дополнительное обучение при конвертации не проводилось. Модель предназначена для диалоговых сценариев, работы с инструментами и агентских приложений, включая извлечение структурированных данных и обработку результатов вызова инструментов. Сохранена мультимодальная конфигурация qwen3_5 с поддержкой image-text-to-text, однако возможности работы с изображениями и видео в README не подтверждены тестированием. Языки и максимальная длина контекста не указаны; в LM Studio загрузка проверялась с контекстом 8192 токена. Используется 4-битное affine-квантизование MLX с размером группы 64. Весовая часть занимает примерно 16,05 ГБ и распределена по 16 файлам safetensors; отдельные мультимодальные модули сохранены в формате с плавающей точкой. Модель проверена на загрузку в oMLX и LM Studio, а также на синтетических задачах извлечения данных и вызова демонстрационного инструмента. Эти проверки не доказывают превосходство над базовой моделью, качество после квантизации или надежность в реальных агентских сценариях. Не оценивались длинный контекст, производительность, реальные почтовые процессы и общая надежность агентов; для автоматизации следует задавать явную JSON Schema и валидировать типы вывода. Распространяется по лицензии Apache License 2.0 с сохранением исходных уведомлений об авторских правах. Для работы с инструментами клиент должен самостоятельно передавать определения инструментов, выполнять выбранные вызовы и возвращать результаты; сама модель не подключается к внешним сервисам и не планирует задачи.

Z-Jafari/roberta-fa-zwnj-base-finetuned-DS_Q_NoH — дообученная персидская RoBERTa-модель для ответов на вопросы по тексту. Она основана на HooshvareLab/roberta-fa-zwnj-base и содержит около 145,5 млн параметров; доступные веса представлены в формате safetensors. Контекст модели — до 514 токенов. Модель можно применять для извлечения ответа на вопрос из предоставленного текста. В README приведены результаты оценки: exact match 58,7 и F1 около 64,0. Датасет обучения и подробные сценарии использования в карточке не описаны. Лицензия — Apache-2.0.

UMCU/SapBERT-from-PubMedBERT-fulltext_bf16 — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на основе cambridgeltl/SapBERT-from-PubMedBERT-fulltext. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768, пригодные для сравнения по косинусному сходству, семантического поиска, поиска парафраз, кластеризации и классификации текста. Модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов по метаданным; карточка модели задаёт максимальную длину последовательности 25 токенов. Модель предназначена для поиска и сопоставления биомедицинских текстов на английском языке. Эмбеддинги можно использовать для извлечения похожих описаний, группировки текстов и подготовки признаков для классификаторов. В карточке указана архитектура Sentence Transformer с BERT-трансформером и CLS-пулингом; доступен формат safetensors. Лицензия в предоставленных данных не указана.

Sci-BETO-large — испаноязычный энкодер RoBERTa, разработанный Flaglab и предварительно обученный с нуля на научных текстах. Модель содержит 454,1 млн параметров по метаданным Hugging Face; README указывает 355 млн. Использует токенизацию byte-level BPE и обучалась на корпусе более чем из 11 млрд токенов, включающем научные публикации, диссертации и другие академические материалы. Контекст модели составляет 514 токенов. Модель предназначена для научного NLP на испанском языке. Её можно дообучать для классификации текстов, распознавания именованных сущностей, поиска семантического сходства, выявления перефразирований и извлечения знаний из академических документов. Основная задача опубликованного чекпойнта — восстановление замаскированных токенов; README приводит результаты на общих и специализированных испанских наборах данных, включая PharmaCoNER. Модель ориентирована на академический регистр и латиноамериканские варианты испанского, поэтому может хуже работать с неформальной речью. Она не предназначена для генерации текста и не обучалась на английских или двуязычных данных. Распространяется по лицензии Apache-2.0.

SecOpsBot-0.6B — дообученная Nuhman PK компактная модель Qwen3 с 507,9 млн параметров для ответов по фрагментам документов о кибербезопасности и мерах контроля. Она составляет сводки, выделяет ключевые факты, чек-листы, шаги жизненного цикла, обоснования и определения, опираясь на переданный отрывок и указывая идентификаторы мер контроля, только если они в нём встречаются. Модель предназначена для работы с материалами NIST и другими стандартами безопасности, в том числе как компонент чтения документов в RAG-системе. Модель принимает текст и генерирует текст; её контекстное окно — 40 960 токенов. В карточке заявлена поддержка английского языка. Модель обучена на 13 106 примерах и оценена на небольшой выборке из 60 примеров, документы которой не входили в обучающую выборку. Автор приводит результаты по ROUGE-L и точности идентификаторов мер контроля, но такая оценка не гарантирует качество на других документах и задачах. Весами управляет лицензия Apache-2.0. Ответы зависят от полноты и качества предоставленного отрывка, а шум при извлечении текста из PDF может влиять на результат. Модель не заменяет официальные рекомендации NIST, работу квалифицированного аудитора или юридическую и комплаенс-консультацию; ответы следует проверять перед использованием.

SmolVLM-256M-Instruct-bf16 — компактная мультимодальная модель семейства Idefics3 от mlx-community, преобразованная в формат MLX из HuggingFaceTB/SmolVLM-256M-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и других задач визуально-языкового взаимодействия. В метаданных указана архитектура Idefics3ForConditionalGeneration, а модель обучалась с использованием наборов HuggingFaceM4/the_cauldron и HuggingFaceM4/Docmatix. Репозиторий предназначен для запуска через mlx-vlm и содержит веса bf16 в формате MLX; конвертация выполнена из исходной модели с помощью mlx-vlm версии 0.1.11. Карточка указывает лицензию Apache-2.0. Язык карточки — английский; поддержка других языков в предоставленных данных не подтверждена.

Это модель двоичной классификации предложений, дообученная на основе bert-base-cased для определения рекламного содержания в подкастах. Она использует контекст предыдущего предложения для более точных предсказаний и была применена в исследовании «Leveraging multimodal content for podcast summarization», опубликованном на ACM SAC 2022. Модель предназначена для разметки текстов подкастов: она относит предложение к рекламному или нерекламному. В отчёте оценки на тестовой выборке указаны точность 92%, F1-мера 0,89 для рекламного класса и 0,94 для нерекламного. Архитектура — BERT для классификации последовательностей, размер — 135,5 млн параметров, максимальный контекст — 512 токенов; модель работает с английским текстом. Модель опубликована в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Thyme-SFT — мультимодальная модель компании Kwai-Keye, дообученная на базе Qwen2.5-VL-7B-Instruct методом supervised fine-tuning. Она принимает текст и изображения и предназначена для визуального анализа, сложных рассуждений по изображениям и задач восприятия изображений высокого разрешения. Модель может самостоятельно формировать и выполнять код для обработки изображений и вычислений. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В карточке заявлено обучение на английском языке; используется формат safetensors. Thyme-SFT является частью двухэтапного подхода Thyme, сочетающего SFT и последующее обучение с подкреплением; упоминается алгоритм GRPO-ATS. Модель распространяется по лицензии MIT. Поскольку это SFT-этап, заявленные улучшения от обучения с подкреплением относятся к подходу Thyme в целом и не гарантированы для этого отдельного чекпойнта.

TookaBERT-Base — базовая персидская модель-энкодер семейства TookaBERT, разработанная PartAI. Модель с архитектурой BERT и примерно 150,1 млн параметров предварительно обучена на более чем 500 ГБ персидских текстов из новостей, блогов, форумов и книг. Для предобучения использовались задача masked language modeling с whole-word masking и контекст до 512 токенов. Модель предназначена прежде всего для восстановления замаскированных слов в персидском тексте. Её представления также подходят как основа для дообучения на классификацию текстов и тональности, распознавание именованных сущностей и задачи вопросов и ответов. Опубликованные оценки охватывают несколько персидских NLP-бенчмарков; результаты могут меняться при дообучении. Модель доступна в форматах PyTorch и safetensors под лицензией Apache-2.0. Это энкодер для работы с текстом, а не генеративная чат-модель; контекст ограничен 512 токенами.

Hukyl/trocr-base-rukopys-formula — модель распознавания рукописных математических выражений в украинских документах, разработанная Hukyl. Она принимает изображение обрезанной области с формулой и преобразует его в нормализованный текст по соглашениям набора Rukopys; предполагается, что области формул заранее выделены детектором разметки страницы. Модель основана на TrOCR-base с архитектурой VisionEncoderDecoderModel: визуальный энкодер ViT-B/16 обрабатывает изображения с разрешением 384 пикселя, а декодер формирует текст. Размер — около 334 млн параметров. Вывод может содержать Unicode-символы, дроби через косую черту, кириллицу и структурные команды LaTeX для двумерных записей. Модель дообучена на формульных фрагментах Rukopys после последовательного обучения на HME100K, CROHME и синтетических формулах. Предназначена для распознавания школьной математики, химических записей и арифметики с единицами измерения в рукописных украинских документах. На указанном crop-level валидационном разбиении Rukopys CER составил 0,2079, WER — 0,4455; оценка может быть оптимистичной, поскольку фрагменты одной страницы и автора могли попасть и в обучение, и в валидацию. Результат является нормализованным текстом формулы, а не точной транскрипцией LaTeX. Ожидается снижение качества на других письменностях, печатной математике и типографском вводе. Для Rukopys указана лицензия CC BY 4.0; лицензии HME100K и CROHME в карточке не приведены, а базовая модель не заявляет явную лицензию, поэтому условия распространения производных весов следует проверять отдельно.

UMLS-ED-Bioformer-16L-V-1.25 — дообученная модель Sentence Transformers на базе UMLS-ED-Bioformer-16L-V-1, разработанная Pankaj Rajdeo. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения медицинских и биомедицинских текстов. Архитектура — BERT с усреднением токенных представлений; максимальная длина последовательности составляет 1024 токена, а сходство можно оценивать косинусной мерой. Модель обучалась с triplet loss на парах медицинских текстов и терминов UMLS. Её можно применять для поиска близких формулировок, сопоставления терминов, кластеризации и отбора кандидатов для классификации. В примерах обучающих данных встречаются тексты на нескольких языках, однако точный перечень поддерживаемых языков не задан. Лицензия в предоставленных данных не указана.

NomaDamas подготовил конверсию v-splade-efficient для MLX и Apple Silicon. Это разреженный мультимодальный ретривер для поиска страниц визуальных документов: изображения страниц PDF, слайдов и сканов кодируются ModernVBERT, объединяющим визуальную башню SigLIP, pixel-shuffle connector и текстовый энкодер ModernBERT, а SPLADE MLM head формирует разреженный вектор в пространстве словаря размерностью 50 368. Запросы обрабатываются по предварительно вычисленной таблице Bag-of-Words без нейронного кодирования. Репозиторий содержит веса энкодера документов в bfloat16 и таблицу запросов fp32. Это конверсия исходных весов PyTorch в MLX; обучение и дообучение не проводились. В README описано совпадение результатов отдельной fp32-конверсии с PyTorch, но эти численные показатели не относятся к размещённым здесь весам bfloat16. Модель распространяется по лицензии Apache-2.0.

FutureProofGlitch/whisper-small-v2 — дообученная разработчиком FutureProofGlitch модель распознавания речи на базе Whisper Small. Она предназначена для преобразования англоязычной речи в текст; для оценки указаны результаты на тестовой выборке GigaSpeech: WER 16,4524 и нормализованный WER 28,4362. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. Модель подходит для транскрибирования англоязычных записей и аудио, включая материалы из домена GigaSpeech. Лицензия — Apache-2.0. README не приводит дополнительных сведений о сценариях применения или ограничениях качества.

ANGEL_pretrained — англоязычная генеративная модель для связывания упоминаний биомедицинских сущностей с понятиями из справочников. Её разработали Chanhwi Kim, Hyunjae Kim, Sihyeon Park, Jiwoo Lee, Mujeen Sung и Jaewoo Kang, дообучив BART-large на данных UMLS-2020-AA. Модель содержит 252,8 млн параметров, использует архитектуру encoder-decoder BART и имеет контекст до 1024 токенов. Модель сопоставляет слово или упоминание с кандидатами на сущности, обучаясь различать похожие упоминания с разными идентификаторами CUI. Её можно применять для биомедицинского entity linking, а для практических сценариев авторы рекомендуют сначала дообучить её на целевом наборе данных. В README сообщается об оценке на NCBI-disease, BC5CDR, COMETA, AAP и MedMentions; указано улучшение средних результатов относительно GenBioEL, но таблица с подробными метриками отсутствует. Модель принимает текст и генерирует текстовый результат. Лицензия — GPL-3.0.

ARC-Hunyuan-Video-7B — мультимодальная модель TencentARC для структурированного понимания коротких видео из реального мира. Это плотная модель на 7 млрд параметров, построенная на Hunyuan-7B vision-language model и дополненная аудиоэнкодером для совместного анализа визуальных, звуковых и текстовых сигналов. Механизм временных меток на кадрах помогает связывать события с моментами видео. Модель отвечает на открытые вопросы о видео, создаёт описания и сводки с временными метками, определяет временные фрагменты, связанные с запросом, и рассуждает о содержании аудио и видео. Она рассчитана, в частности, на короткие пользовательские ролики; авторы сообщают о поддержке входных видео длительностью до пяти минут. Для более длинных видео рекомендуется разбивать запись на фрагменты и объединять результаты внешней LLM. В README указана возможность локального запуска на одной NVIDIA A100 40 ГБ; для развёртывания через vLLM рекомендованы две такие GPU. Модель ориентирована на китайские платформы коротких видео, однако README не задаёт полный список поддерживаемых языков. Авторы отмечают быстрый анализ и синхронизированное аудиовизуальное рассуждение; результаты демо могут отличаться от опубликованных из-за сжатия видео. Лицензия в предоставленных данных не указана.

DevQuasar/baidu.Unlimited-OCR-GGUF — это квантизированная версия модели baidu/Unlimited-OCR, опубликованная под пространством DevQuasar. По указанным данным, модель предназначена для задач image-text-to-text, то есть обработки изображений с генерацией текстового ответа, включая сценарии оптического распознавания символов (OCR). В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, конкретные возможности распознавания, требования к ресурсам или результаты тестирования. Также не приведена информация о лицензии и условиях коммерческого использования. Поэтому сильные стороны, ограничения и точные сценарии применения модели невозможно достоверно оценить по имеющимся данным.

ghadeermobasher/BC5CDR-Chemical-Disease-balanced-biobert-base-cased-v1.2 — модель BioBERT от ghadeermobasher для распознавания сущностей в научно-медицинских текстах. По названию и идентификатору она предназначена для выделения названий химических соединений и заболеваний; Hugging Face указывает задачу token-classification и архитектуру BERT с головой BertForTokenClassification. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Она подходит для извлечения химических веществ и заболеваний из биомедицинских публикаций. Карточка модели не содержит описания, сведений о языках или лицензии, поэтому эти характеристики нельзя надёжно установить.

BDRC-MITRA Tibetan OCR — компактная мультимодальная модель для постраничного распознавания тибетского текста. Её разработала команда Buddhist NLP; модель дообучена на Qwen/Qwen3.5-0.8B и использует архитектуру Qwen3.5 с поддержкой изображений и диалогового формата. Модель принимает изображение одной страницы или чётко выделенной области и возвращает транскрипцию в Unicode-тибетском письме: одна строка на каждую физическую строку страницы. Она предназначена для оцифровки ксилографов, рукописей и печатных текстов, а также для построения поисковых индексов и последующей обработки текста. Поддерживает письма dbu can (uchen) и dbu med (umed); для распознавания рекомендуется использовать инструкцию «Extract all text from this image». Для лучших результатов рекомендуются изображения с длинной стороной около 1500–2000 пикселей и размером до примерно 5 мегапикселей; слишком крупные сканы следует уменьшать. Сильный перекос и толстые поля ухудшают качество, а распознавание сильно повреждённых или скорописных рукописей umed может быть менее точным. Результаты, предназначенные для публикации, следует вычитывать. Лицензия в предоставленных данных не указана.

iioSnail разработал модель для многоклассовой классификации китайских слов: каждому слову назначается одна или несколько категорий из 12 тематических классов, основанных на типах словаря Sogou. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification, содержит 129,5 млн параметров и принимает текстовые входные данные длиной до 512 токенов. Модель предназначена для тематической разметки китайских слов, например для категоризации словарных записей и организации поиска по тематическим рубрикам. Она поддерживает китайский язык и доступна в форматах PyTorch и Safetensors. Лицензия — AFL-3.0. Карточка описывает назначение и набор категорий, но не приводит метрик качества или подробностей обучения. Классы охватывают гуманитарные и общественные науки, сельское хозяйство, медицину, города, развлечения, инженерию, повседневную жизнь, видеоигры, естественные науки, искусство и спорт с досугом.

Модель henryk/bert-base-multilingual-cased-finetuned-polish-squad2 — версия multilingual BERT, дообученная на задаче ответов на вопросы по тексту на польском языке. Базовую модель разработала исследовательская команда Google; она использует 12 слоёв, 768 скрытых измерений и 12 голов внимания, содержит 110 млн параметров и была обучена на текстах на 104 языках. В метаданных репозитория указаны 205,1 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения ответа из предоставленного фрагмента текста или определения, что ответ в нём отсутствует. Для дообучения использовалась машинно переведённая на польский язык версия SQuAD 2.0: автор отмечает, что из-за расхождений перевода часть примеров потерялась, что может вызывать ошибки. На польской части теста автор сообщает точность exact match 70,77 и F1 72,92. Модель доступна в форматах PyTorch и Flax. Лицензия в предоставленных сведениях не указана.

emrecan/bert-base-turkish-cased-allnli_tr — дообученная модель BERT для турецкого языка, созданная на основе dbmdz/bert-base-turkish-cased. Она предназначена для классификации текста с нулевым обучением и задач на основе NLI, например отнесения текста к пользовательским категориям по заданным меткам. Модель содержит 137,8 млн параметров, использует регрессионно-классификационную архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В карточке приведены результаты оценки: loss 0,5771 и accuracy 0,7978; описание набора данных и ограничения в README не раскрыты. Модель опубликована в формате PyTorch под лицензией MIT.

BERTeus base cased — предобученная языковая модель на архитектуре BERT для баскского языка, разработанная авторами исследования «Give your Text Representation Models some Love: the Case for Basque». Модель обучена на корпусе из 224,6 млн токенов, включающем статьи баскских онлайн-газет и Википедию. Она содержит 151,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель предназначена для получения векторных представлений баскского текста и адаптации к задачам разметки частей речи, распознавания именованных сущностей, анализа тональности и классификации тем. В исследовании BERTeus улучшила прежние результаты для проверенных задач на баскском языке. Доступны версии в форматах PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

Z-Jafari/bert-fa-base-uncased-finetuned-DS_Q_NoH — дообученная на неизвестном наборе данных модель BERT для ответов на вопросы. Она основана на HooshvareLab/bert-fa-base-uncased, содержит около 190 млн параметров и принимает текст с контекстом и вопросом, возвращая ответ, извлечённый из контекста. Модель рассчитана на персидский язык; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: exact match 74,0 и F1 77,75. Модель использует библиотеку Transformers и опубликована в формате safetensors. Лицензия — Apache-2.0. Назначение и состав обучающего набора данных не раскрыты, поэтому результаты не гарантируют качество на других типах текстов.