I.3Извлечение и структурирование данных

NLPForUA әзірлеген бұл украин тіліндегі экстрактивті сұрақ-жауап моделі Microsoft-тың mdeberta-v3-base моделін FIdo-AI/ua-squad деректер жиынында қосымша оқыту арқылы жасалған. DeBERTa V3 негізіндегі 306 млн параметрлі модель Transformers кітапханасын пайдаланады және 512 токенге дейінгі контексті қолдайды. Модель берілген мәтін үзіндісінен сұраққа жауап болатын бөлікті таңдайды. Оны ашық домендегі сұрақ-жауап жүйесінде Retriever іріктеген үзінділерден жауапты табатын Reader ретінде немесе украин тіліндегі мәтіндер бойынша сұрақтарға жауап беру үшін қолдануға болады. Ол жауапты өз білімінен құрастырмайды, сондықтан тиісті жауап контекстте болуы керек. Оқу деректері украин тіліндегі SQuAD жинағынан алынған; README-де тест бөлінісіндегі Exact Match 58,26 және F1 71,99 нәтижелері берілген. Бұл көрсеткіштер тек сол деректер бөлінісі мен бағалау рәсіміне қатысты, оларды үздік нәтижеге жалпы кепіл ретінде қарастырмаған жөн. Модель MIT лицензиясымен таратылады және негізінен оқу мақсатында жарияланған.

MediAlbertina PT-PT 1.5 NER — модель для распознавания медицинских сущностей в клинических текстах на европейском португальском языке. Её разработали на основе DeBERTaV2: продолжили предобучение семейства Albertina на медицинских записях, затем дообучили MediAlbertina PT-PT 1.5B на вручную размеченных обезличенных медицинских предложениях. Модель содержит около 2 млрд параметров и принимает контекст длиной до 512 токенов. Модель извлекает из электронных медицинских записей диагнозы, симптомы, лекарства и дозировки, медицинские процедуры, показатели жизненно важных функций, результаты процедур и показатели прогресса состояния пациента. Разработчики сообщают, что медицинская адаптация показала более высокие результаты, чем дообучение той же задачи на немедицинской модели; для варианта 1.5B в таблице приведены точность 0,833, полнота 0,845 и F1 0,838. Модель предназначена для извлечения информации из клинической документации, например для структурирования записей и поиска медицинских сущностей. Она распространяется по лицензии MIT. Результаты относятся к размеченным португальским медицинским данным; перенос на другие языки, учреждения и схемы разметки не подтверждён.

jgalego/notam-subject-qwen3.5-0.8b — компактная текстовая модель на базе Qwen/Qwen3.5-0.8B, дообученная разработчиком с помощью LoRA на данных DEEL-AI/NOTAM и сохранённая после объединения адаптера с базовой моделью. Она определяет основную тему английского NOTAM и относит сообщение к одному из 13 классов: например, взлётно-посадочная полоса, рулёжная дорожка, воздушное пространство, GPS, навигационные средства, препятствия или дикая природа. Модель предназначена для предварительной сортировки и категоризации стандартных англоязычных авиационных извещений NOTAM. На тестовой выборке из 3252 извещений с шаблонами, отсутствовавшими в обучении, автор сообщает точность 0,948 и Macro-F1 0,942. Архитектура — плотная авторегрессионная Qwen3.5; размер — 581,4 млн параметров, формат весов — safetensors, заявленный контекст — 262144 токена. Лицензия — Apache-2.0. Модель обучена на 13 фиксированных категориях: сообщения о других темах она принудительно относит к ближайшему классу. Она рассчитана только на английский текст в стиле ICAO и не сертифицирована и не проверена для планирования полётов, диспетчерской работы или брифингов экипажа; исходный NOTAM необходимо проверять самостоятельно.

OCRonos-Vintage — компактная специализированная языковая модель, разработанная PleIAs для исправления ошибок OCR в англоязычных архивах культурного наследия. Это плотная GPT-2 модель с 124 млн параметров, обученная с нуля на корпусе из 18 млрд токенов материалов Library of Congress, Internet Archive и HathiTrust. Модель использует токенизатор GPT-2 и контекст длиной 1 024 токена; по заявлению авторов, она рассчитана на запуск на CPU и пакетную обработку на GPU. Основной сценарий — коррекция распознанного архивного текста; для подачи и результата в карточке задан формат с маркерами ### Text ### и ### Correction ###. Модель также может генерировать стилизованный исторический текст, преимущественно относящийся к периоду до 1940 года, с жёсткой временной границей 29 декабря 1955 года. Авторы сообщают о качестве коррекции, сравнимом с GPT-4 и версией OCRonos на базе Llama для англоязычных культурных архивов, однако это их оценка, а не независимый бенчмарк. Модель предназначена прежде всего для английского исторического и архивного материала. Короткое контекстное окно ограничивает обработку длинных текстов за один проход, а токенизатор GPT-2 может быть неэффективен для шумного OCR. Лицензия весов — Apache-2.0; в README также указано предпочтение к лицензированию результатов как public domain или CC0.

OpenMed-NER-AnatomyDetect-ModernClinical-149M — модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученная модель семейства ModernBERT с 149 млн параметров, созданная на базе BioClinical-ModernBERT-base для задачи token classification. Она выделяет анатомические структуры и части тела, размечая их тегами B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из клинических записей, медицинских документов и научной литературы, а также для построения систем анализа медицинских текстов и биомедицинских знаний. В карточке указаны F1 0,86, precision 0,86, recall 0,85 и accuracy 0,97 на наборе ANATOMY. Поддерживается контекст до 8192 токенов; модель принимает текст и возвращает разметку сущностей. Карточка описывает обучение на англоязычных данных. Расширять её назначение до распознавания лекарств или химических соединений оснований нет: заявленный тип сущностей — анатомические. Модель распространяется в формате safetensors по лицензии Apache-2.0 и интегрируется с Transformers. Качество зависит от соответствия входных текстов данным обучения; показатели из карточки не гарантируют точность на других клинических корпусах.

OpenMed разработала OpenMed-NER-AnatomyDetect-TinyMed-65M — дообученную модель DistilBERT для распознавания анатомических сущностей в биомедицинских текстах. Она выделяет названия анатомических структур и частей тела, присваивая токенам метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из клинических записей, медицинских документов и научной литературы. Её можно применять для биомедицинского поиска и анализа, построения баз знаний и поддержки систем обработки клинических текстов. В карточке указаны F1 0,87, точность 0,88 и полнота 0,86 на наборе ANATOMY. Это специализированная англоязычная модель с контекстом 512 токенов; архитектура DistilBERT и размер около 65 млн параметров отражены в названии и метаданных. Модель распространяется по лицензии Apache-2.0. Результаты зависят от текста и предметной области; модель распознаёт только анатомические сущности и не заменяет клиническую проверку. Заявленные в карточке сценарии вроде обнаружения лекарственных взаимодействий сами по себе не подтверждают распознавание лекарств: модель обучена выделять анатомические термины.

OpenMed/OpenMed-NER-OncologyDetect-PubMed-v2-109M — специализированная модель OpenMed для распознавания именованных сущностей в биомедицинских текстах, с акцентом на генетику рака и онкологические исследования. Это дообученный трансформер на архитектуре BERT с классификационной головой для токенов; в карточке указана базовая модель BiomedNLP-BiomedBERT-base-uncased-abstract, а метаданные сообщают о 136,7 млн параметров и контексте до 512 токенов. Модель обучена на корпусе BioNLP 2013 CG и выдаёт разметку сущностей в формате BIO. Она выделяет, среди прочего, гены и продукты генов, виды рака, клетки, ткани, органы, химические вещества и аминокислоты. Подходит для извлечения онкологических сущностей из научных публикаций и биомедицинских документов, а также для построения баз знаний и поиска потенциальных биомаркеров. В README приведены F1 и precision/recall 0,86 и accuracy 0,95; результаты относятся к указанной оценке и датасету. Модель принимает текст на английском языке. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка заявляет прикладную готовность, однако её оценочные показатели относятся к специализированному набору данных; качество на других жанрах, клинических записях и языках может отличаться.

OpenMed-ZeroShot-NER-Oncology-Large-459M — специализированная модель OpenMed для распознавания именованных сущностей в онкологическом и биомедицинском тексте. Она основана на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG, посвящённом генетике рака. Репозиторий содержит веса PyTorch; размер модели в названии указан как 459 млн параметров. Модель извлекает упоминания генов и их продуктов, раковых заболеваний, химических веществ, клеток, тканей, анатомических объектов и других биомедицинских сущностей. Нулевой режим позволяет задавать типы сущностей для извлечения, что подходит для анализа научной литературы, курирования онкологических путей и поиска генетических мишеней. В карточке заявлено значение F1 около 0,90 на тесте BioNLP 2013 CG. Модель принимает текст и возвращает текстовые фрагменты с метками сущностей. В карточке указан английский язык. Лицензия Apache-2.0 допускает свободное использование на её условиях. Оценки качества и обобщение на типы сущностей за пределами обучающего корпуса зависят от текста, выбранных меток и порога предсказания.

nrl-ai/pp-ocrv5-voicebridge-snapdragon — комплект моделей распознавания текста PP-OCRv5, подготовленный для локального запуска на NPU Snapdragon 8 Elite. В него входят детектор текста PP-HGNetV2 с DB++ и распознаватели китайского и корейского текста на архитектуре SVTR/CTC; модели скомпилированы в формат int8 TFLite через Qualcomm AI Hub. Комплект предназначен для извлечения текста с вывесок и знаков безопасности на китайском и корейском языках в мобильных приложениях, включая офлайн-перевод. По данным карточки, полный конвейер выполняется примерно за 2,2 мс на Hexagon NPU смартфона Samsung Galaxy S25 Ultra, без перехода на CPU. На 200 фотографиях вывесок из ReCTS полнота точного распознавания составила 48,5%, а средняя полнота по символам — 66%; результат зависит от сложности изображения. Латинский распознаватель не поддерживает предварительно составленные вьетнамские гласные с тоновыми знаками, поэтому модель не подходит для вьетнамского текста. Лицензия — Apache-2.0.

Mobilint/Qwen3-VL-2B-Instruct — квантизированная версия модели Qwen3-VL-2B-Instruct, разработанной командой Qwen и скомпилированной и оптимизированной компанией Mobilint для работы на её NPU-оборудовании. Модель относится к классу vision-language моделей и предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуального содержимого с формированием текстового ответа. Модель содержит около 2 миллиардов параметров и распространяется в формате, совместимом с библиотекой Transformers. Она упакована для развертывания в программно-аппаратном стеке ускорения Mobilint и рассчитана прежде всего на использование с оборудованием Mobilint. В README указана поддержка английского языка, однако сведения о других языках, размере контекстного окна, архитектурных деталях, производительности и доступных режимах работы отсутствуют. К сильным сторонам относятся оптимизация под NPU Mobilint и возможность локального ускоренного развертывания мультимодальной модели. Ограничением является зависимость от аппаратной платформы и стека Mobilint; результаты на другом оборудовании не описаны. Модель распространяется по лицензии Apache-2.0.

RelBERT — модель для представления семантических отношений между словами и сущностями. Это дообученная на наборе relbert/t_rex_relational_similarity модель roberta-base с архитектурой RoBERTa и 151,8 млн параметров. Она принимает текст и формирует векторные представления, предназначенные для задач понимания отношений. Модель подходит для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, Google, T-Rex, BLESS, ROOT09 и других; качество различается в зависимости от набора данных. Контекст составляет до 514 токенов. Для использования автор рекомендует библиотеку relbert. Лицензия в предоставленных данных не указана.

re-roberta-large — модель классификации отношений на основе архитектуры RoBERTa Large, разработанная проектом ACCORD-NLP для автоматизированной проверки соответствия требованиям в секторе архитектуры, инженерии и строительства. Она дообучена на наборе данных CODE-ACCORD Relations и предназначена для извлечения и классификации связей между сущностями в тексте нормативных документов. Модель принимает текст и выдаёт метки классов отношений. Она содержит 454,1 млн параметров, поддерживает английский язык и имеет контекст длиной до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

saad592/results — дообученная модель DistilBERT для классификации текста, основанная на distilbert/distilbert-base-uncased. Репозиторий использует Transformers и хранит веса в формате safetensors; лицензия — Apache-2.0. Максимальная длина контекста составляет 512 токенов. Модель предназначена для присвоения тексту метки из набора классов, заданного при обучении. В README приведены результаты на оценочной выборке: accuracy 0,9892, precision 0,9928, recall 0,9262 и F1 0,9583. Датасет, набор меток и предметная область не описаны, поэтому эти показатели нельзя переносить на другие данные без проверки.

databio/sbert-encode-cellines-tuned — англоязычная модель Sentence Transformer, дообученная разработчиком databio на sentence-transformers/all-MiniLM-L6-v2 с использованием датасета mock-stsb. Энкодер на базе BERT преобразует предложения и абзацы в плотные векторы размерности 384; для сопоставления векторов применяется косинусное сходство. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 256 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. README приводит результаты на sts-dev: Spearman 0,6954 и Pearson 0,7059, а также сообщает об обучении на 1 128 примерах mock-stsb; датасет содержит короткие текстовые пары с упоминаниями клеточных линий и биологических понятий. Это узкая обучающая выборка, поэтому качество на других доменах и типах текста может отличаться. Лицензия в предоставленных источниках не указана.

SciBERT — предварительно обученная языковая модель на архитектуре BERT, разработанная исследователями Allen Institute for AI для научных текстов. Модель обучена на 1,14 млн научных статей из Semantic Scholar, содержащих около 3,1 млрд токенов; при обучении использовались полные тексты статей, а не только аннотации. Эта версия uncased не различает регистр и использует собственный WordPiece-словарь scivocab, адаптированный к научной лексике. Модель предназначена как языковая основа для задач обработки научного текста: её можно дообучать или использовать в системах классификации, извлечения сущностей и ответов на вопросы. Размер модели — 137,1 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и Flax; карточка указывает поддержку английского языка. SciBERT — базовая предобученная модель, а не готовая система для конкретной прикладной задачи: для многих сценариев потребуется дообучение. Модель ориентирована на научные тексты, поэтому её пригодность для других областей может быть ниже. В README лицензия не указана.

slm125mlive-bhaskar-finetune — дообученная Nagbhaskar55 модель для ответов по предоставленному тексту в юридических и финансовых сценариях. Это плотная авторегрессионная модель семейства Llama с 125,8 млн параметров, работающая через Transformers и сохранённая в формате safetensors. Контекст ограничен 1024 токенами; модель принимает текст и генерирует текст на английском языке. Модель обучена следовать инструкциям и использовать только контекст из запроса. Её целевые задачи — ответы на вопросы с опорой на источник, извлечение сведений, суммаризация и перефразирование отрывков из судебных материалов, документов SEC и образовательных веб-текстов. В обучении использовались 7 960 синтетических пар инструкций, созданных с помощью модели-учителя; сообщается о снижении валидационной потери и perplexity относительно базовой модели. Модель не является базой знаний: ответы без предоставленного контекста ненадёжны. Она унаследовала возможные ошибки и смещения модели-учителя, а качество на CaseHOLD после дообучения не оценивалось. README предостерегает от использования для юридических и финансовых консультаций. Лицензия указана как other, конкретные условия в доступных данных не приведены.

WangchanBERTa base — предварительно обученная языковая модель для тайского языка, разработанная Lalita Lowphansirikul, Charin Polpanumas, Nawat Jantrakulchai и Sarana Nutanong. Модель основана на архитектуре RoBERTa и представлена классом RobertaForMaskedLM; содержит 132,5 млн параметров и работает с контекстом до 512 токенов. Для токенизации используется SentencePiece с unigram-словарём из 25 000 подслов. Основное назначение — восстановление замаскированных фрагментов тайского текста. Модель обучена на разнообразных тайских текстах общим объёмом 78,5 ГБ и подходит как базовый чекпойнт для языкового моделирования и дальнейшей настройки под классификацию текстов или разметку токенов. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя.

Prince Nasamu Alhassan дообучил Whisper large-v3-turbo для распознавания ганского варианта английского языка. Модель принимает аудио и выдаёт текст; в метаданных указано 905,2 млн параметров. Она предназначена для автоматической транскрипции речи на ганском английском, в том числе для извлечения числовых данных, таких как телефонные номера и суммы. На наборе afrispeech_ghana модель показала WER 17,85 и CER 7,29 против 29,74 и 16,71 у исходной модели при той же оценке. Опубликован чекпойнт шага 2000; более точный чекпойнт шага 1000 был удалён, а обучение остановили до запланированного завершения. Оценка проводилась на прочитанном и машинно переведённом тексте, поэтому она может переоценивать качество на реальной речи и не отражать трудности переключения языков. Модель описана как исследовательская работа для хакатона, а не поддерживаемый продукт. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

Модель poltextlab/xlm-roberta-large-pooled-cap-minor-v5 разработана PoltextLab и представляет собой дообученную версию XLM-RoBERTa Large для многоклассовой классификации текстов по темам CAP Minor. Она предназначена для разметки многоязычных текстов в сравнительных исследованиях и используется в инструменте CAP Babel Machine. Модель поддерживает английский, венгерский, португальский, датский, французский, итальянский и испанский языки. В карточке приведены метрики по языкам: взвешенный F1 составляет 0,88 для венгерского и 0,86 для португальского, тогда как для датского, французского и испанского он ниже. Для всех классов макроусреднённый F1 равен 0,63, взвешенный F1 — 0,81. Модель распространяется в формате Safetensors и доступна по лицензии CC BY 4.0. Результаты зависят от языка и темы; приведённые метрики показывают заметно более низкое качество для части поддерживаемых языков.

Это дообученная модель обнаружения объектов YOLOv8m от Lisa Gollner, созданная на основе контрольной точки Ultralytics yolov8m.pt и обученная на оцифрованных страницах исторического сатирического журнала Die Bombe. Она предназначена для поиска и локализации объявлений, комиксов, редакционных карикатур, заголовков и иллюстраций на страницах журнала, а также может применяться к похожим историческим периодическим изданиям с учётом ограничений обучающих данных. Обучающая выборка включает 508 страниц, а проверочная — 106 страниц из отдельных выпусков журнала. На проверочной выборке общие precision и recall составили 0,836 и 0,835, mAP@0.50 — 0,913. Классы фотографий и карт присутствуют в схеме разметки, но недостаточно представлены для надёжного обнаружения. Модель распространяется по лицензии AGPL-3.0.

AX-3.1-Light-sft_v0_2 — корейская разговорная модель генерации текста, разработанная на основе skt/A.X-3.1-Light. Авторы выполнили LoRA дообучение на 5 801 примере из корейских данных AI Hub и объединили адаптер с базовой моделью; архитектуру LlamaForCausalLM не меняли. Модель содержит 6,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и ответов на вопросы по корейским учебным, медицинским, финансовым, юридическим и административным материалам, а также для задач рассуждения. Основной акцент дообучения — более стабильное соблюдение формата вывода в пяти направлениях корейских бенчмарков K-AI; авторы сообщают о результатах собственного proxy-бенчмарка, который не является официальной оценкой. Репозиторий содержит веса Safetensors и помечен лицензией other; конкретные условия лицензии следует уточнять в карточке модели.

ghadeermobasher/BC4_Original-BiomedNLP-PubMedBERT-base-uncased-abstract — модель на архитектуре BERT для token classification, разработанная ghadeermobasher на основе BiomedNLP-PubMedBERT Microsoft. Она дообучена для распознавания упоминаний химических соединений и лекарственных средств в англоязычных научно-медицинских текстах, в частности в аннотациях PubMed и корпусе BioCreative IV CHEMDNER. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Её основное применение — извлечение химических сущностей из биомедицинской литературы для последующего поиска, индексации и построения систем текстового анализа. Модель предназначена для английского языка и не является генеративной. Сильная сторона модели — специализация на биомедицинской терминологии и задаче распознавания химических сущностей. Ограничения связаны с узкой предметной областью, зависимостью от схемы разметки BC4CHEMD и максимальной длиной контекста; качество на других языках, типах документов и задачах общего назначения не гарантируется.

pruas/BENT-PubMedBERT-NER-Gene — модель распознавания именованных сущностей в биомедицинских текстах, разработанная Pedro Ruas и Francisco M. Couto. Она дообучена на PubMedBERT для выделения упоминаний генов и белков; обучающие корпуса также охватывают DNA, RNA, белковые комплексы, ферменты и родственные категории. Модель использует архитектуру BERT с классификационной головой для разметки токенов, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения биомедицинских сущностей из англоязычных научных текстов, включая статьи и материалы по геномике и молекулярной биологии. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Распознавание зависит от формулировок и типов сущностей, представленных в обучающих корпусах; README не сообщает метрики качества или ограничения по конкретным типам документов.

yentinglin/bert-base-zhtw — модель на архитектуре BERT с примерно 136,7 млн параметров, представленная в формате safetensors. Она предназначена для заполнения пропусков в тексте: модель предсказывает скрытые токены по окружающему контексту. В README также приведён пример использования модели для извлечения признаков через Transformers pipeline. Модель работает с текстом и имеет контекстное окно 512 токенов. По названию репозитория она ориентирована на традиционный китайский язык. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование. Разработчик предоставляет модель «как есть» и запрещает применять её для высокорисковых медицинских, юридических и финансовых решений.

SalmonAI123/Bestclean-ViMrcbase-TFIDFPNS-ver1 — это дообученная модель RoBERTa для ответов на вопросы на основе nguyenvulebinh/vi-mrc-base. Она предназначена для извлечения ответа из предоставленного текста в сценариях машинного чтения и понимания текста. Модель содержит 305,2 млн параметров, принимает текст и выдаёт текстовый ответ; заявленная длина контекста — 514 токенов. В README указан результат оценки Loss 0,9084, но набор данных и подробности оценки не приведены. Модель опубликована в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

BimOmni 30B-A3B — модель, разработанная в рамках инициативы Future Caribbean как адаптация Qwen3-Omni-30B-A3B-Instruct для контекста Барбадоса. Это мультимодальная архитектура Qwen3-Omni-MoE: сохранены входные аудио- и визуальные модули базовой модели, а языковая часть Thinker адаптирована методом доменного предварительного обучения на газетных текстах Барбадоса. LoRA-адаптер слит с весами; в репозитории размещён checkpoint bf16. Для обучения указан контекст 4096 токенов. Модель предназначена для мультимодальных сценариев, где важны местные имена, места, учреждения, события и выражения: транскрибирования речи, извлечения информации, поиска, суммаризации и исследований по материалам о Барбадосе и Карибском регионе. Адаптация усиливает языковой контекст для выбора слов при неоднозначных аудиосигналах, но не обучает распознавать барбадосский акцент: парные аудиозаписи и транскрипции не использовались, акустические модули заморожены. README сообщает об улучшении на небольшом тесте знаний и сравнении транскрипций всего на двух видео; эти результаты не являются широким бенчмарком. Модель принимает текст, изображения и аудио и выдаёт текст; речевые компоненты генерации удалены, поэтому аудио на выходе она не производит. Основной язык карточки — английский, а адаптация ориентирована на Барбадос. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с файлами репозитория перед использованием.

Sciarrilli выпустил эту модель как дообученную версию dmis-lab/biobert-base-cased-v1.2 для распознавания биомедицинских сущностей в тексте. Модель построена на BERT и обучена для классификации токенов на наборе JNLPBA; число параметров — 135,5 млн, максимальная длина контекста — 512 токенов. Модель подходит для извлечения упоминаний биомедицинских сущностей из научных текстов. На оценочной выборке указаны F1 0,7683, точность 0,7151 и полнота 0,8301. Использование ограничено задачей и типом данных, представленными обучающим набором; лицензия в доступных сведениях не приведена.

Boldt-1B-IT-Preview — предварительная версия немецкоязычной модели для следования инструкциям, разработанная Humboldt-Universität zu Berlin как часть серии Boldt Small Language Models. Это плотная причинная Llama-модель на 1,1 млрд параметров, дообученная на Boldt-1B; она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и использует библиотеку Transformers. Модель предназначена для одноходовых инструкций и вопросов на немецком языке. Дообучение выполнено на смеси примерно из 95 тысяч немецких пар «инструкция — ответ», включая диалоги, вопросы и ответы, а также задания на распознавание именованных сущностей. Это ранний выпуск для демонстрации возникающих способностей следовать инструкциям. Модель ориентирована на немецкий язык; качество ответов может быть непоследовательным, фактические ошибки возможны, а работа в многоходовом диалоге не гарантируется. Систематическая оценка безопасности не проводилась, поэтому модель требует проверки перед применением в чувствительных сценариях. Лицензия — Apache 2.0.

ufal/byt5-small-multilexnorm2021-es — официальная испаноязычная версия ByT5-small, дообученная командой UFAL для нормализации лексики в рамках соревнования W-NUT 2021 MultiLexNorm. Модель преобразует отдельные токены с неформальными или шумными написаниями в нормализованную форму; она обучалась на синтетических данных, а затем на примерах нормализации из MultiLexNorm. В карточке заявлены лучшие результаты среди участников соревнования во внутренней оценке и оценке по влиянию на синтаксический разбор зависимостей. Модель построена на байтовой архитектуре encoder-decoder ByT5 — варианте T5 без токенизатора, который работает с байтовыми представлениями текста и подходит для шумных текстовых данных. Размер — 364,6 млн параметров. Она рассчитана на испанский язык и формат «токен на входе — нормализованный токен на выходе», а не на стандартное преобразование целых предложений. Доступна под лицензией Apache-2.0. Для применения следует учитывать специализированный формат входных данных и сценарий использования, описанные для MultiLexNorm.

CentralBankRoBERTa-agent-classifier — модель классификации текста на базе RoBERTa, разработанная Moritz Pfeifer и дообученная для анализа коммуникаций центральных банков. Она определяет, к какому из пяти макроэкономических агентов относится текст: домохозяйствам, компаниям, финансовому сектору, правительству или самому центральному банку. Модель предназначена для категоризации высказываний в сообщениях и публикациях центральных банков. Модель содержит 151,8 млн параметров, принимает текстовые входы с контекстом до 514 токенов и выдаёт метку класса. В карточке заявлены accuracy, F1, precision и recall на уровне 0,93; результат может зависеть от данных и условий применения. Репозиторий использует формат PyTorch и лицензию MIT. README также упоминает отдельный бинарный классификатор тональности, однако метаданные и идентификатор данного репозитория описывают классификатор агентов; наличие классификатора тональности в этом чекпойнте не подтверждено.