I.3Извлечение и структурирование данных

OpenMed-ZeroShot-NER-Anatomy-Multi-209M — модель OpenMed для распознавания анатомических сущностей в медицинских и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе ANATOMY; модель извлекает упоминания органов, тканей, частей тела и других анатомических структур, в том числе из клинических записей и радиологических или хирургических заметок. Модель предназначена для zero-shot распознавания сущностей: при обработке можно задавать типы сущностей без отдельного дообучения под каждую задачу. Это позволяет использовать её для извлечения анатомических упоминаний, определения локализации заболевания и анализа медицинской документации и литературы. В README приведён показатель F1 0,81 для оценки на тестовом наборе, исключённом из обучения; таблица результатов также приводит значения для вариантов модели другого размера. Модель принимает текст и возвращает разметку сущностей. В метаданных указан английский язык и формат PyTorch. Лицензия — Apache-2.0. Результаты зависят от выбранных меток сущностей и порога извлечения; заявленная гибкость zero-shot не гарантирует точность для произвольных типов сущностей, а приведённые метрики относятся к оценке на корпусе ANATOMY.

OpenMed-ZeroShot-NER-Anatomy-XLarge-770M — специализированная модель OpenMed для распознавания анатомических сущностей в медицинских и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе ANATOMY; размер модели — 770 млн параметров. Модель извлекает названия органов, тканей, частей тела и других анатомических структур, в том числе из клинических записей, радиологических описаний и хирургических заметок. Zero-shot режим позволяет задавать типы сущностей при работе без отдельного дообучения под каждую категорию. Модель предназначена для разметки медицинских текстов, поиска упоминаний анатомических структур и последующей клинической аналитики. В README сообщается о F1 0,9021 на тестовом наборе ANATOMY, не участвовавшем в обучении. Этот результат относится к указанному набору данных и не гарантирует ту же точность на других источниках и типах текста. Модель принимает текст и выдаёт предсказания сущностей и их меток. Карточка указывает английский язык. Лицензия — Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Chemical-Tiny-60M — компактная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC4CHEMD; размер модели — около 60 млн параметров. Модель принимает текст и возвращает найденные сущности с разметкой токенов. В карточке заявлена возможность zero-shot извлечения пользовательских типов сущностей, хотя основной обученный тип — CHEM. Модель предназначена для извлечения названий химических соединений, лекарств, реагентов и синонимов из аннотаций и полнотекстовых научных статей, а также для индексации соединений и подготовки данных для связывания с ChEBI или DrugBank. Для варианта Tiny в README указан F1 0,68 на тестовом наборе BC4CHEMD. Модель ориентирована на англоязычную биомедицинскую литературу; Apache-2.0 разрешает коммерческое и некоммерческое использование с соблюдением условий лицензии.

Pathumma Vision 3.0.0-Re — мультимодальная модель NECTEC для распознавания тайского текста на изображениях и анализа документов. Она дообучена на основе Qwen3-VL-2B-Instruct на 377 тысячах примеров OCR с акцентом на тайский язык, сложные документы и текст в реальных сценах. Архитектура — плотная Qwen3-VL с обработкой изображений и генерацией текста; модель рассчитана на работу через Transformers и обучалась с применением Quantization-Aware Training для более эффективного развёртывания. Модель предназначена для извлечения текста из документов и фотографий, распознавания рукописного и сценического текста, а также понимания тайских документов. В сравнении на ThaiOCRBench показаны результаты по распознаванию текста, разбору документов и связанным визуальным задачам. Лицензия — Apache-2.0. Карточка не приводит ограничений по размеру контекста; результаты на других языках и типах изображений не заявлены.

AbstractPhil разработала Qwen3.5-0.8B-json-captioner — компактную мультимодальную модель на архитектуре Qwen3.5 с примерно 873 млн параметров. Это самостоятельный чекпойнт, полученный слиянием базовой Qwen/Qwen3.5-0.8B и LoRA-адаптера AbstractPhil/qwen3.5-0.8b-task_1-lora-v2; для запуска адаптер отдельно не нужен. Модель предназначена для извлечения из изображения буквального, привязанного к исходным данным описания в формате JSON по фиксированной схеме: объекты с атрибутами, действия и тип обстановки. Основной сценарий — подготовка структурированных подписей для обучающих конвейеров. Модель принимает изображение; также README описывает режим с текстовым промптом вместо изображения. Для ожидаемой структуры при генерации необходимо передать системный промпт и описание инструмента из обучающего набора. Хотя модель поддерживает зрительный ввод, адаптер обучался на преобразовании текстовых подписей в JSON, а не непосредственно на изображениях, поэтому текстовый режим может быть надёжнее. Модель мала и специализирована: она не предназначена для общего диалога, ответов на вопросы об изображениях или творческих подписей. Вывод ограничен заданной схемой; поля style и mood всегда равны null. Репозиторий использует safetensors и библиотеку Transformers, лицензия — Apache-2.0.

ClimateBERT renewable — модель на базе RoBERTa, дообученная для классификации предложений, связанных с возобновляемой энергетикой. Она использует классификационную голову и обучена на размеченном людьми наборе данных; базой послужила climatebert/distilroberta-base-climate-f. Модель подходит для отбора предложений о возобновляемой энергетике в текстах. Она содержит 95,4 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch по лицензии Apache-2.0.

Den4ikAI/rubert_large_squad_2 — русскоязычная модель ответов на вопросы на базе ruBert-base от Sberbank AI. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель построена на архитектуре BERT, содержит 205,5 млн параметров и рассчитана на контекст до 512 токенов. По карточке модель дообучена за четыре эпохи на выборке из четырёх примеров; README показывает использование через Transformers pipeline для question-answering. Такой малый объём обучения ограничивает надёжность и обобщение результатов, поэтому качество на новых данных следует проверять отдельно. Модель распространяется по лицензии MIT.

TableLlama — открытая языковая модель на архитектуре Llama, разработанная для выполнения различных задач с таблицами. Модель дообучена на 2,6 млн примеров из набора TableInstruct, охватывающего 11 задач и данные из 14 наборов. Она предназначена для работы с табличным контекстом по инструкциям и вопросам; использовать её можно через библиотеку Transformers. Модель содержит 6,6 млрд параметров, распространяется в формате PyTorch и рассчитана на английский язык. В README заявлен контекст до 8 тыс. токенов, тогда как метаданные указывают нативный контекст 4096 токенов. Лицензия — CC BY 4.0. Качество может зависеть от сложности и особенностей таблиц и задач; охват табличных сценариев не является исчерпывающим.

Hukyl разработал TrOCR-Large-rukopys-hw — модель распознавания текста в изображениях, основанная на архитектуре VisionEncoderDecoderModel: ViT-L/16 в качестве визуального энкодера и декодер TrOCR, около 558 млн параметров. Модель дообучена на размеченных фрагментах датасета Rukopys и предназначена прежде всего для чтения рукописных украинских документов. Она принимает обрезанные изображения строк или областей документа, обычно после обнаружения их расположения отдельной моделью, и выдаёт нормализованный текст. На проверочной выборке из 1 223 фрагментов общий CER составил 0,0890; для рукописного класса CER — 0,0750. Данные по печатному тексту, аннотациям и таблицам представлены небольшим числом примеров, поэтому результаты для этих типов фрагментов ненадёжны; особенно слабо модель справляется с таблицами. Точность может снижаться на других языках и письменностях, современных цифровых документах и при отличиях от архивных материалов обучения. Выход нормализуется под метрики OCR и может не совпадать с буквальной транскрипцией. Модель распространяется по лицензии Apache-2.0.

viBERT-base — вьетнамская языковая модель, опубликованная mainguyen9. Это модель семейства BERT-base с предобучением в стиле RoBERTa на вьетнамской части CC-100 и дополнительном вьетнамском корпусе. Она содержит 144,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors под лицензией MIT. Модель предназначена для заполнения пропусков в тексте и получения контекстных представлений, а также для дообучения под задачи обработки вьетнамского языка: распознавание именованных сущностей, классификацию текста и ответы на вопросы. В README приведены результаты дообученных вариантов для NER, определения языкового следования и выявления языка ненависти; это не гарантирует такие результаты у исходного чекпойнта без дополнительной настройки. Основное ограничение — обучение преимущественно на вьетнамском языке, поэтому качество на смешанном тексте может быть ниже. Максимальная длина последовательности составляет 512 токенов.

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.

vnktrmnb/xlm-roberta-base-FT-TyDiQA_AUQC — дообученная модель XLM-RoBERTa Base для ответов на вопросы. Она принимает вопрос и текстовый контекст и предсказывает ответ в контексте. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и распространяется в формате TensorFlow; максимальный контекст составляет 514 токенов. В README приведены результаты обучения до двух эпох: точность логитов начала ответа на валидации — 0,8909, конца ответа — 0,8434, функция потерь — 0,4881. Название указывает на TyDiQA и AUQC, но README называет датасет неизвестным и не описывает обучение или intended use; поэтому целевые языки и прикладные области нельзя уточнить. Лицензия — MIT.

Модель faodl/20250909_model_g20_multilabel_MiniLM-L12-all-labels-artificial-governance-multi-output — классификатор текста на основе SetFit, построенный на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Разработчик карточки не уточняет организацию или автора модели. Архитектура включает дообученное тело Sentence Transformer и классификационную голову MultiOutputClassifier; модель предназначена для многометочной классификации текста в области управления искусственным интеллектом. Обучение использует контрастивное дообучение Sentence Transformer и обучение классификационной головы на его признаках — эффективный подход few-shot learning. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов; карточка модели указывает максимальную длину последовательности 128 токенов. Базовая модель многоязычная, поэтому классификация ориентирована на текст на разных языках. Модель выдаёт метки классификации и может применяться для автоматической разметки текстов об управлении ИИ и обработки нескольких выходных категорий одновременно. Качество на независимых данных и точный набор меток в предоставленной карточке не приведены. Лицензия в доступных данных не указана.

theophilusowiti/AfrimBert-QA-int8-qat — модель BERT для извлечения ответов на вопросы из текста, созданная на основе amidblue/AfrimBert-QA. Она предназначена для сценариев question answering, где вопрос и текстовый контекст подаются вместе, а модель выбирает ответ из контекста. Модель содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов; она обучена для африканских языков и английского. Это вариант с quantization-aware training: веса адаптированы к симметричной поканальной сетке int8, а активации используют динамическое int8-квантование по токенам. Репозиторий содержит стандартный checkpoint для AutoModelForQuestionAnswering и отдельные целочисленные веса с метаданными масштаба. При загрузке квантованные веса деквантуются на лету; для ускорения вычислений нужен совместимый backend. Лицензия в предоставленных данных не указана.

AZOU — модель классификации корейского текста, разработанная Ким Хигю, Пак Сонхо, Юк Сехёном и Ким Хёджин. Она оценивает связь между входным текстом, инструкцией и заданной меткой: более высокий балл означает, что метка лучше соответствует инструкции и тексту. Такой формат позволяет применять модель к классификации без отдельного обучения на каждую задачу, в том числе для определения темы, выявления ненавистнических высказываний, поиска и фильтрации текстов по заданным критериям. Модель основана на klue/roberta-large и имеет архитектуру RoBERTa для классификации последовательностей; в репозитории представлены веса PyTorch. Размер — 435,4 млн параметров, контекст — до 514 токенов. Карточка приводит результаты на корейских наборах данных для задач классификации, включая сравнение с GPT-3.5 на отдельных тестах. Модель распространяется по лицензии MIT.

lucasresck/bert-base-cased-ag-news — модель BERT, дообученная автором репозитория на наборе данных AG News для классификации новостных текстов. К выходу токена [CLS] добавлен линейный классификационный слой; в README сообщается о точности 0,945 на тестовой выборке. Модель предназначена для отнесения текста к категориям AG News. Она принимает текст и выдаёт метки классификации; архитектура BertForSequenceClassification содержит 135,5 млн параметров и поддерживает контекст до 512 токенов. Карточка указывает английский язык и формат PyTorch. Модель распространяется по лицензии MIT. В README отмечено, что предвзятость модели не оценивалась, а унаследованные от предобученного BERT смещения могут проявляться и после дообучения.

Sajjad Ayoubi bert-base-fa-qa — модель для извлечения ответов на вопросы из предоставленного текста. Она основана на архитектуре BERT и предназначена для задачи question-answering; число параметров — 190 млн, контекст — до 512 токенов. В README приведены варианты использования через Transformers Pipeline или вручную с PyTorch и TensorFlow; ручной подход позволяет обрабатывать случаи, когда ответ в тексте отсутствует, тогда как Pipeline не поддерживает такой ответ. Модель рассчитана на персидский язык, что отражено в названии репозитория; карточка показывает форматы PyTorch, TensorFlow и Flax. Для запуска README указывает зависимости Transformers и SentencePiece. Лицензия в предоставленных данных не указана.

Skelter Labs разработала эту модель для ответов на вопросы на японском языке. Это BERT-base для японского языка, дообученный на наборе JaQuAD для извлечения ответов из текста. Модель имеет 137,8 млн параметров, принимает текстовый контекст и вопрос, а затем выделяет ответ в контексте; максимальная длина контекста — 512 токенов. На наборе разработки JaQuAD модель показала F1 77,35 и точное совпадение 61,01. Она подходит для систем вопросов и ответов по японским документам и текстам. Модель распространяется под лицензией CC BY-SA 3.0; её веса доступны в формате PyTorch.

Dalila-Ku/bert-base-squad-qa — дообученная Universidad Politécnica de Yucatán модель BERT-base-uncased для извлечения ответов из контекста. Голова qa_outputs предсказывает начальный и конечный токены фрагмента ответа. Модель обучена на 15 000 примерах SQuAD v1.1; для контекстов длиннее лимита применялись окна с перекрытием. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для ответов на вопросы по коротким англоязычным текстам в стиле SQuAD. На отложенном тесте SQuAD автор сообщает Exact Match 71,16% и F1 81,06%. Она подходит для извлечения фрагментов, прямо присутствующих в предоставленном контексте. Лицензия — Apache-2.0. Качество ограничено обучением на сокращённой выборке: результат ниже опубликованных ориентиров для BERT-base, обученного на полном наборе SQuAD. Модель не генерирует ответы и не поддерживает вопросы без ответа в контексте; обучение проведено с одним seed и без широкого поиска гиперпараметров.

Это англоязычная модель для ответов на вопросы, созданная csarron и дообученная на контрольной точке Hugging Face BERT base uncased на наборе SQuAD 1.1. Она извлекает ответ из предоставленного текста по заданному вопросу и не различает регистр букв. Модель построена на архитектуре BERT base, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README для оценки на SQuAD 1.1 указаны EM 80,9 и F1 88,2; автор сообщает, что подбор гиперпараметров не проводился. Доступны веса в форматах PyTorch, Flax и safetensors. Модель подходит для англоязычных систем поиска ответов по текстовым фрагментам и документам. Она ограничена задачей извлечения ответа из контекста, обучена на SQuAD 1.1 и может хуже работать на других доменах или языках. Лицензия — MIT.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-013354 — дообученный классификатор текста на базе carted-nlp/categorization-finetuned-20220721-164940. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит около 36 млн параметров. Модель предназначена для отнесения текста к категориям; репозиторий включает веса PyTorch и формат ONNX. Контекст составляет 514 токенов. В README указаны результаты оценки: accuracy 0,8776 и F1 0,8768. Датасет обучения и набор категорий не описаны, поэтому применимость к конкретной тематике или языку по карточке установить нельзя. Лицензия в предоставленных метаданных и README не указана.

Модель carted-nlp/categorization-finetuned-20220721-164940-pruned-20220803-123018 — классификатор текстовых последовательностей на базе RoBERTa, разработанный carted-nlp. Модель дообучена для категоризации текста; в метаданных указан размер 120,9 млн параметров и контекст до 514 токенов. На оценочной выборке модель показала accuracy 0,8558 и F1 0,8539 при loss 0,5476. README не уточняет набор категорий, назначение классификации или состав данных, поэтому применять её для конкретной предметной области без проверки соответствия меток и данных не следует. Лицензия в предоставленных данных не указана.

Control-R1 — модель обнаружения объектов на базе DETR с архитектурой ResNet-50, дообученная для анализа макета сканированных исторических газетных страниц. Она находит семь типов областей: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и рекламу; результатом служат классы и ограничивающие рамки. Модель обучена на наборе biglam/loc_beyond_words и предназначена для анализа газетных страниц, близких к обучающим данным. На валидационной выборке из 712 изображений общий mAP составил 0,1658; показатели заметно различаются между классами, а для иллюстраций, карт и редакционных карикатур AP равен нулю. Модель выпущена под лицензией Apache-2.0.

Это дообученная модель классификации текста на основе DeepSeek-R1-Distill-Qwen-1.5B, опубликованная пользователем botanical1058. Она построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для отнесения текста к классам; карточка не уточняет набор классов и предметную область. В README приведены результаты оценки: accuracy 0,8721, precision 0,8752, recall 0,8721 и F1 0,8726. Контекст модели — до 131 072 токенов. Она работает с текстом и сохранена в формате safetensors; библиотека для работы — Transformers. Лицензия — MIT.

DistilBERT base cased — англоязычная компактная модель семейства Transformer, разработанная командой DistilBERT путём дистилляции BERT base. Она обучена на BookCorpus и английской Википедии и предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные слова с учётом окружающего контекста. Вариант cased различает прописные и строчные буквы; контекст ограничен 512 токенами. Модель меньше и быстрее BERT и может использоваться как исходная точка для дообучения на задачах классификации последовательностей и токенов, а также ответов на вопросы. Доступны веса в форматах PyTorch, TensorFlow, ONNX и Safetensors. Модель распространяется по лицензии Apache-2.0. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Для задач генерации текста модель не предназначена; для целевых прикладных задач обычно требуется дообучение.

ClimateBERT distilroberta-base-climate-commitment — модель классификации текста, разработанная ClimateBERT на основе climatebert/distilroberta-base-climate-f. Она определяет, посвящён ли абзац климатическим обязательствам и действиям. Модель построена на архитектуре RoBERTa с классификационной головой, содержит 95,4 млн параметров и принимает текстовые фрагменты длиной до 514 токенов. Она дообучена на наборе данных climatebert/climate_commitments_actions и рассчитана на англоязычные абзацы о климатических обязательствах и действиях. Модель подходит для тематической фильтрации и разметки текстов о климате. По карточке, она может хуже работать на отдельных предложениях, поскольку обучалась на абзацах. Лицензия — Apache-2.0.

climatebert/distilroberta-base-climate-tcfd — дообученная ClimateBERT на базе distilroberta-base-climate-f с классификационной головой для отнесения абзацев о климате к одной из четырёх категорий рекомендаций TCFD. Модель разработана для классификации текстовых фрагментов по рекомендациям Рабочей группы по раскрытию финансовой информации, связанной с климатом. Модель основана на архитектуре RoBERTa и содержит 95,4 млн параметров. Она обучена на наборе climatebert/tcfd_recommendations без класса для текстов, не связанных с климатом; максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Карточка предупреждает, что модель обучена на абзацах и может хуже работать на отдельных предложениях. Поскольку отдельный класс для неклиматических текстов исключён из обучения, модель не предназначена для надёжного определения того, относится ли входной текст к климатической тематике.

dots.mocr-FP8 — мультимодальная модель для задач image-text-to-text, представляющая FP8-квантизированную версию rednote-hilab/dots.mocr. Модель опубликована под идентификатором binedge/dots.mocr-FP8; базовая модель разработана rednote-hilab. Она предназначена для сценариев, где требуется обработка изображений и генерация текстового ответа, однако конкретные прикладные задачи, поддерживаемые языки и особенности поведения в README не указаны. Ключевая особенность версии — динамическая FP8-квантизация текстового backbone с использованием llm-compressor. Квантизации подверглись Linear-слои, а модель сохранена в формате compressed-tensors. Модуль lm_head и пользовательский vision tower исключены из квантизации; vision tower сохранён в формате BF16. Размер модели, архитектура, число параметров, поддерживаемые модальности и максимальная длина контекста в предоставленных данных не указаны. К преимуществам относятся снижение требований к хранению и потенциальное ускорение инференса по сравнению с полноразмерной версией при сохранении vision tower в BF16. Ограничения связаны с отсутствием подробных сведений о качестве, совместимости, производительности, языках и контексте, а также с возможными особенностями поддержки FP8 и compressed-tensors в конкретной инфраструктуре. Модель распространяется по лицензии Apache-2.0.

EnvironmentalBERT-biodiversity — модель на основе RoBERTa, разработанная для классификации текстов об окружающей среде и биоразнообразии в контексте ESG. Она дообучена на EnvironmentalBERT-base на наборе из 2,2 тыс. примеров WaterForestBiodiversityNature_2200 и предназначена для определения, относится ли текстовый фрагмент к биоразнообразию. Разработчики рекомендуют сначала отбирать экологические тексты с помощью EnvironmentalBERT-environmental, а затем проверять их на тему биоразнообразия. Модель содержит 95,2 млн параметров, принимает текст и выдаёт метки классификации. Её контекст составляет 514 токенов, основной язык — английский. Модель распространяется по лицензии Apache-2.0. Карточка не описывает качество на независимых данных или ограничения для практического применения.

Florence-2-large-hf — модель семейства Florence-2, опубликованная на Hugging Face как совместимая с библиотекой Transformers. По метаданным она относится к задачам image-text-to-text, то есть предназначена для преобразования визуального содержимого изображения в текстовый ответ или описание. Модель может применяться в сценариях, где требуется анализ изображений с формированием текста, например для генерации описаний изображений, визуальных вопросов и ответов или извлечения сведений из визуального содержимого. README является автоматически созданной карточкой и не содержит подтверждённых сведений о разработчике, архитектуре, числе параметров, поддерживаемых языках, длине контекста, обучающих данных, результатах оценки или лицензии. Основное ограничение — недостаток технической и эксплуатационной документации в карточке модели; фактические возможности, качество на конкретных наборах данных и условия использования требуют дополнительной проверки.