I.3Извлечение и структурирование данных

Это крупная китайская модель машинного чтения и ответов на вопросы, разработанная HFL и дообученная на смеси китайских датасетов MRC на основе предварительно обученной PERT-large. PERT использует перестановочную языковую модель PerLM для самообучения без токена маски [MASK]; модель реализована в архитектуре BERT и предназначена для извлечения ответов из текста по заданному вопросу. Модель подходит для систем поиска ответов по китайским документам и оценки понимания прочитанного. В карточке приведены результаты на CMRC 2018, DRCD и SQuAD-Zen; для загрузки рекомендуется класс BertForQuestionAnswering. Параметров — 424,3 млн, длина контекста — до 512 токенов. Лицензия Apache-2.0. Оценки приведены на dev-наборах; карточка не сообщает о поддержке других языков.

ChronoBERT v1 20201231 — англоязычная модель на архитектуре ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Это двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов, обученный на датированных текстах для хронологически согласованного анализа. Модель предназначена для предсказания пропущенных токенов и извлечения текстовых представлений. Хронологическое ограничение обучающих данных призвано снижать утечку информации из будущего и смещение заглядывания вперёд в задачах, где важна временная привязка. Это делает модель полезной для анализа исторических текстов и финансовых исследований; семейство оценивалось на GLUE и задачах прогнозирования доходности. Репозиторий предоставляет веса в формате safetensors, используется библиотека Transformers. Лицензия — MIT.

ChronoBERT v1 2022-12-31 — англоязычная модель семейства ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Это двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; модель обучена на датированных текстах для хронологически согласованного анализа без утечки информации из будущего. Модель предназначена для предсказания замаскированных токенов и получения текстовых представлений, в частности для анализа исторических текстов и экономических или финансовых задач, где важно исключить заглядывание вперёд. В серии ChronoBERT заявлены результаты GLUE выше стандартного BERT; в карточке также описана оценка для прогнозирования доходности акций. Эти результаты не гарантируют качество на иных данных и задачах. Лицензия — MIT.

ClimateBERT — дообученная языковая модель на базе RoBERTa с классификационной головой, разработанная для анализа климатических текстов. Модель относит абзацы о климате к одному из трёх классов тональности: возможность, нейтральная позиция или риск. Модель создана дообучением climatebert/distilroberta-base-climate-f на наборе данных climatebert/climate_sentiment. Она принимает текст и выдаёт метку класса; размер составляет 95,4 млн параметров, контекст — до 514 токенов. Поддерживаемый язык — английский. Модель подходит для разметки климатических абзацев при анализе публикаций и документов. В README отмечено, что обучение проводилось на абзацах, поэтому качество на отдельных предложениях может быть ниже. Лицензия — Apache-2.0.

linhtrann21/ft_paligemma_25k — дообученная модель семейства PaliGemma, созданная на основе linhtrann21/ft_paligemma_20k. Она предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и формирует текстовый ответ. В метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат весов safetensors. Карточка не описывает обучающие данные, конкретную предметную область, языки или результаты оценки, поэтому назначение дообучения и качество ответов уточнить нельзя. Указана лицензия gemma; применяйте модель согласно её условиям.

HPLT/hplt_bert_base_ka — одноязычная модель-кодировщик для грузинского языка, выпущенная проектом HPLT. Это masked language model на архитектуре LTG-BERT, модификации классического BERT. Модель обучена на грузинском корпусе HPLT 1.2 и использует собственный токенизатор, подготовленный для этого языка. Архитектура примерно соответствует BERT-base: 12 слоёв, 12 голов внимания, скрытый размер 768 и словарь из 32 768 токенов; число параметров — 124,3 млн, контекст — до 512 токенов. Основная задача — предсказание замаскированных токенов; модель также подходит для классификации текста и токенов, ответов на вопросы и задач с выбором ответа. Для загрузки через Transformers требуется пользовательский код модели с параметром trust_remote_code=True. Промежуточные версии обучения доступны в отдельных ревизиях. Лицензия — Apache-2.0.

EIRTHAIMED/Llama-3.1-EIRAI-8B-Prob — медицинская разговорная языковая модель на базе Meta Llama 3.1 8B, дообученная для медицинских задач на тайском и английском языках. Она предназначена для генерации ответов и текстов в медицинском контексте, включая работу с медицинскими вопросами, извлечение клинических сведений и поддержку тайского медицинского RAG. В карточке приведены результаты оценок на медицинских и тайских языковых тестах, а также примеры структурированного предсказания кодов ICD-10. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; использует библиотеку Transformers и формат safetensors. Лицензия — llama3.1. Разработчики предупреждают, что модель пока не валидирована для безопасного клинического применения: её не следует использовать для принятия медицинских решений или внедрять в реальную практику без дальнейших испытаний.

luke-japanese-base-lite — облегчённая японская версия LUKE, разработанная для контекстных представлений слов и сущностей. Модель основана на Transformer и обучена с учётом знаний о сущностях; она обрабатывает слова и сущности как отдельные токены и формирует их контекстуализированные представления. В этой облегчённой версии отсутствуют эмбеддинги сущностей Википедии. Модель содержит 138,4 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. В метаданных для неё указана задача fill-mask; результаты на dev-наборе JGLUE показывают оценки для классификации тональности, семантического сходства, вывода и вопросов на здравый смысл. Для сценариев, где на вход подаются сущности Википедии, README рекомендует полную версию LUKE. Лицензия — Apache 2.0.

Это японская модель извлечения ответов на вопросы, созданная Mizuiro-sakura дообучением luke-japanese-base-lite на датасете JSQuAD. Она предназначена для extractive question answering: по вопросу и контексту находит фрагмент текста, содержащий ответ. Модель основана на LUKE — Transformer-архитектуре, которая представляет слова и сущности как отдельные токены и использует entity-aware self-attention. Размер модели — 138,4 млн параметров, нативная длина контекста — 514 токенов. В README указаны exact match 0,758 и F1 0,876 на оценке модели. Модель рассчитана на японский язык и подходит для поиска ответов в заданном тексте; карточка не описывает генерацию свободных ответов. Распространяется по лицензии MIT.

unsloth/medgemma-1.5-4b-it — вариант MedGemma 1.5 4B от Unsloth, основанный на google/medgemma-1.5-4b-it и дообученный для более эффективного вывода. Это мультимодальная медицинская модель семейства Gemma 3 с плотной архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров; она принимает текст и медицинские изображения и генерирует текстовые ответы. Визуальный кодировщик SigLIP сочетается с декодером-трансформером Gemma 3. Модель предназначена для разработчиков медицинских и биомедицинских приложений. Она поддерживает ответы на вопросы по медицинским изображениям, интерпретацию КТ и МРТ, сопоставление рентгенограмм грудной клетки во времени, локализацию находок на рентгенограммах, разбор гистологических изображений и извлечение структурированных данных из лабораторных отчётов и электронных медицинских карт. Карточка сообщает об улучшении медицинского рассуждения и небольшом улучшении интерпретации двумерных изображений относительно MedGemma 1 4B. Выводы модели являются предварительными: её нельзя применять без адаптации и проверки для конкретного сценария или использовать непосредственно для диагностики и принятия решений о лечении. Мультимодальные возможности главным образом оценивались на задачах с одним изображением; многокадровое понимание и многоходовые диалоги не оценивались. Лицензия указана как other; README отсылает к условиям Gemma, поэтому условия использования следует сверять с лицензией базовой модели и карточкой репозитория.

Это дообученная версия многоязычной модели jhu-clsp/mmBERT-base, созданная проектом Impresso. Модель продолжила обучение на газетных текстах Impresso с помощью masked language modeling (MLM) и предназначена как предметно-адаптированная базовая модель для последующего обучения задачам разметки токенов в медиатекстах. Модель использует архитектуру ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. В метаданных указаны французский, немецкий и английский языки. Основной сценарий применения — заполнение масок; также чекпойнт подходит для сравнительных экспериментов и дообучения на извлечение и классификацию сущностей или других типов токенов в газетных материалах. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. В README сообщается, что обучение завершилось без расхождения, а валидационная потеря была близка к обучающей; приведены значения train loss 1,7775 и eval loss 1,7172. Это не гарантирует качество в конкретной downstream-задаче: модель требует оценки и дообучения под целевую разметку. Лицензия — MIT.

Nesso2-0.4B-Agentic — компактная двуязычная языковая модель сообщества mii-llm, созданная для вызова функций, формирования структурированного вывода и многошаговых сценариев с инструментами. Она дообучена на базе Zagreus-0.4B-ita и ориентирована на работу на периферийных устройствах, особенно для итальянских задач с инструментами. Модель использует плотную архитектуру Llama с GQA, содержит около 438 млн параметров и поддерживает контекст до 32 768 токенов. Она рассчитана на итальянский и английский языки; обучающие данные включают диалоги и примеры вызова инструментов, включая параллельные вызовы и выбор между вызовом инструмента и прямым ответом. Лицензия — Apache-2.0. Карточка сообщает, что модель находится на этапе supervised fine-tuning, а DPO только планируется. Среди ограничений отмечены случаи, когда модель недостаточно опирается на результат инструмента, а также склонность вызывать инструмент или подставлять значение по умолчанию, если запрос неполон или решение неоднозначно. Для таких сценариев рекомендуется проверять аргументы и результаты вызовов.

OmniVTG-7B — мультимодальная модель для временной локализации событий в видео по запросу на естественном языке. Её разработчики представляют её вместе с набором данных OmniVTG и обучающим подходом Self-Correction Chain-of-Thought; веса опубликованы как официальная модель проекта, принятого на CVPR 2026. Модель основана на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовый запрос и должна находить в неразмеченном видео временные отрезки, соответствующие запросу. Заявлены zero-shot результаты на наборах Charades-STA, ActivityNet Captions, QVHighlights и TVGBench. Метаданные указывают контекст длиной до 128 000 токенов и библиотеку Transformers. Модель подходит для поиска событий и фрагментов в длинных видеозаписях. Ограничения: README не приводит численных результатов, деталей поддерживаемого формата временных интервалов или условий лицензии; перед использованием следует свериться с карточкой и официальным кодом проекта.

OpenMed-NER-ProteinDetect-TinyMed-135M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная модель архитектуры DistilBERT для token classification: она размечает последовательности токенов BIO-тегами и выделяет белки, белковые комплексы, семейства и группы белков, а также варианты белков. В README указана базовая архитектура distilbert-base-multilingual-cased; размер модели по названию — 135M параметров. Модель предназначена для извлечения белковых сущностей из научной литературы и других биомедицинских текстов, например для поиска сведений о белковых взаимодействиях и построения баз знаний. Вход — токенизированный текст; контекст — до 512 токенов. README сообщает F1 0,91 на корпусе FSU, но не приводит подробностей протокола оценки. Поддерживаемый язык в метаданных — английский. Модель опубликована под лицензией Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Anatomy-Small-166M — модель OpenMed для распознавания анатомических сущностей в биомедицинских и клинических текстах. Она основана на архитектуре GLiNER и дообучена на корпусе ANATOMY для извлечения органов, тканей, частей тела и других анатомических структур. Модель поддерживает zero-shot-разметку: типы сущностей задаются при использовании, без отдельного дообучения под каждую категорию. Модель предназначена для разбора клинических записей, радиологических и хирургических заметок, поиска локализации заболеваний, а также анализа медицинской литературы и записей пациентов. В README указана оценка F1 0,70 на тестовом наборе; заявленные результаты относятся к данным карточки и не гарантируют ту же точность на других текстах. Репозиторий содержит веса PyTorch, модель принимает текст и выдаёт предсказания именованных сущностей. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Genomic-Small-166M — модель OpenMed для распознавания и классификации упоминаний генов и связанных с генетикой сущностей в биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе GELLUS; поддерживает zero-shot извлечение сущностей с задаваемыми пользователем типами без отдельного дообучения под каждый тип. Модель предназначена для анализа научной литературы и других текстов по геномике, включая исследования генетических ассоциаций и курирование вариантов. В карточке указано значение F1 0,81 на тестовом наборе, исключённом из обучения. Модель принимает текст и выдаёт обнаруженные сущности с метками. Карточка также заявляет широкую гибкость по типам сущностей, однако подробно приводит только тип Cell-line-name, а результаты для других типов не описывает; показатели из сравнительной таблицы относятся к моделям других размеров. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Genomic-Tiny-60M — модель OpenMed для распознавания генов и связанных с генетикой сущностей в биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе GELLUS. Модель принимает текст и возвращает найденные сущности с метками; для извлечения можно задавать типы сущностей, включая пользовательские. Модель предназначена для поиска упоминаний генов и генетических сущностей в научной литературе и других текстовых материалах по геномике. В README приведён F1 0,66 для дообученной модели на тестовой выборке, не использованной при обучении. Указана лицензия Apache-2.0. Метаданные относят модель к задаче token classification и указывают английский язык.

OpenMed-ZeroShot-NER-Oncology-XLarge-770M — специализированная модель OpenMed для распознавания именованных сущностей в онкологической и биомедицинской литературе. Она построена на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG, посвящённом генетике рака. Размер в названии модели — 770 млн параметров; модель использует веса PyTorch и распространяется по лицензии Apache-2.0. Модель извлекает из текста гены и их продукты, варианты, химические соединения, клетки, ткани, заболевания и другие сущности, связанные с биомедициной и онкологией. Благодаря zero-shot подходу пользователь может задавать типы сущностей для поиска без отдельного дообучения; основные сценарии — анализ публикаций по генетике рака, курирование биологических путей и поиск потенциальных биомаркеров или терапевтических мишеней. В README приведён результат F1 0,875 на тестовом наборе BioNLP 2013 CG; качество на других текстах и типах сущностей может отличаться, а пользовательские типы могут требовать настройки порога обнаружения.

Qwen2.5-VL-7B-CVRR — мультимодальная модель с архитектурой CVRR, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary» на базе Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для ответов на вопросы по изображениям и визуальных задач, в которых модель должна уточнять рассуждение через скрытое состояние, опирающееся на визуальные свидетельства. CVRR сохраняет исходные визуальные навыки Qwen, рекуррентно обновляет представление вопроса с доступом к фиксированным визуальным данным и передаёт это состояние декодеру ответа без прямого доступа к исходным визуальным данным. Переход адаптирован с помощью LoRA и обучен с надзором по токенам ответа; в репозитории размещены веса основы и объединённый переход, отдельная загрузка LoRA не нужна. Модель принимает изображения и текстовые вопросы и генерирует текстовые ответы. Для загрузки требуется предоставленный авторами пользовательский код на Transformers. Модель распространяется по лицензии Apache-2.0. Один полный экземпляр модели следует размещать на каждом GPU; автоматическое разбиение модели и загрузка напрямую через vLLM или SGLang не поддерживаются.

SLM 125M SFT Pilot 2K — причинная языковая модель на архитектуре Llama с 125,8 млн параметров, созданная посредством supervised fine-tuning модели thesreedath/slm-125m-base. Разработчик обучил её следовать инструкциям на 2 000 сгенерированных и проверенных примерах из судебных дел, документов SEC и набора FineWeb-Edu; контекст модели составляет 1 024 токена. Модель предназначена для экспериментов с ответами на вопросы по предоставленному контексту, извлечением данных в JSON, суммаризацией, переформулированием и сравнительным анализом в юридических и финансовых сценариях. Небольшой размер и обучение на профильных примерах делают её пригодной для изучения поведения компактных моделей при выполнении таких инструкций. Данных для обучения мало, поэтому качество следует оценивать отдельно; без контекста модель может галлюцинировать, а приведённая в карточке оценка perplexity основана на валидационной выборке и не заменяет широких внешних тестов. Модель не заменяет профессиональную юридическую, финансовую или комплаенс-консультацию. Лицензия — Apache-2.0.

StorySeeker — модель классификации текста, созданная Maria Antoniak путём дообучения RoBERTa-base на датасете StorySeeker. Она определяет, содержит ли текст историю согласно определению из кодбука проекта. Модель рассчитана на анализ публикаций и комментариев в онлайн-сообществах, а также может применяться к другим наборам текстов. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, максимальная длина контекста — 514 токенов. На тестовой выборке авторы сообщают точность 0,8416 и значение функции потерь 0,4343. Модель дообучена на 301 публикации и комментарии Reddit с бинарными метками; её результаты на других типах текстов могут отличаться. Лицензия — MIT.

google/tapas-base-finetuned-sqa — модель Google на архитектуре TAPAS, дообученная на наборе Sequential Question Answering (SQA) для ответов на вопросы по таблицам в диалоговом сценарии. Это модель на основе BERT с 136,7 млн параметров: она обрабатывает вопрос и сериализованное содержимое таблицы и выделяет ячейки, относящиеся к ответу. Базовое обучение включало masked language modeling и промежуточное обучение на синтетических примерах для рассуждений по табличным данным. В версии по умолчанию позиционные индексы сбрасываются для каждой ячейки таблицы; доступен также вариант no_reset с абсолютными позиционными индексами. Модель предназначена для ответов на вопросы на английском языке по структурированным таблицам и может использоваться в интерактивных системах, где пользователь уточняет запросы последовательно. В README для базовой версии без сброса позиций указана точность 0,6737 на dev-части SQA. Вход состоит из текста вопроса и таблицы; контекст модели в метаданных — 1024 токена. Модель выпущена под лицензией Apache-2.0. Оценка приведена для конкретного набора данных и не гарантирует аналогичного качества на других типах таблиц или запросов.

czczup/textnet-tiny — компактная модель семейства TextNet для извлечения признаков изображения в задачах обнаружения текстовых областей. Разработчики описывают TextNet как эффективную архитектуру для детекции текста; в репозитории используется класс TextNetBackbone и формат safetensors. В README приведены варианты TextNet-T, TextNet-S и TextNet-B размером 6,8 млн, 8,0 млн и 8,9 млн параметров соответственно, однако размер именно этой версии tiny не уточнён. Модель предназначена для обнаружения текста в естественных сценах и документах, включая многоязычный и разноориентированный текст. README сообщает о предварительном обучении на IC17-MLT и дообучении на Total-Text для сравнительных экспериментов, а также о компромиссе между точностью и скоростью инференса на GPU. Карточка не содержит сведений о лицензии; готовое распознавание текста из изображения не заявлено, модель извлекает признаки для последующих этапов обработки.

TLive-Omni-9B — мультимодальная модель понимания прямых трансляций в электронной торговле от TaoLiveAIGC. Она принимает текст, изображения, аудио и видео и формирует текстовые ответы; предназначена для анализа эфиров и мультимодальных вопросов и ответов. Модель построена на основе Qwen3.5 с аудиоэнкодером AuT, подключённым через MLP-адаптер, и поддерживает контекст до 256 тысяч токенов. Обучение включало три этапа SFT и последующую донастройку с подкреплением Faithful-RFT. Среди заявленных возможностей — распознавание речи, анализ говорящих, визуальная привязка товаров, распознавание текста на изображениях, временная привязка событий, подробное описание видео и мультимодальные ответы на вопросы. Интерфейс вывода единый текстовый; временная сетка помогает согласовывать аудио- и видеосегменты в длинных эфирах. Для запуска карточка описывает окружение Python 3.10, Linux x86_64, CUDA 12.8 и PyTorch 2.10.0. Лицензия — Apache-2.0.

Карточка модели ytu-ce-cosmos/turkish-base-bert-capitalization-correction на Hugging Face совпадает с карточкой ytu-ce-cosmos/turkish-base-bert-punctuation-correction, поэтому описание составлено по ней. Модель ytu-ce-cosmos/turkish-base-bert-punctuation-correction разработана как дообученная версия турецкоязычной модели BERT ytu-ce-cosmos/turkish-base-bert-uncased. Она предназначена для восстановления пунктуации в турецком тексте с помощью классификации токенов. Модель содержит 137,8 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Поддерживаемый язык — турецкий. Репозиторий содержит веса в форматах Safetensors и TensorFlow. Модель подойдёт для автоматической расстановки знаков препинания в турецких текстах и подготовки текста к дальнейшей обработке. Лицензия MIT разрешает использование и распространение модели на её условиях.

v-alpha-tross — ранняя демонстрационная языковая модель для финансовых задач, разработанная Gradient в рамках семейства Albatross. Она основана на meta-llama/Llama-2-70b-hf и прошла дополнительное предварительное обучение на финансовых данных, дообучение и настройку инструкций. В метаданных указаны архитектура LlamaForCausalLM, 68,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для финансовых сценариев: математических рассуждений, извлечения сведений из таблиц, включая таблицы в документах SEC, ответов с опорой на документы и их суммаризации, а также диалогового взаимодействия. Для ожидаемого поведения README рекомендует формат запросов Llama 2 Chat. Карточка сообщает о результатах на финансовых таблицах и математических задачах, но это ранняя версия с ограниченными возможностями; Gradient не планирует дальнейшую внутреннюю разработку этой версии. Модель принимает текст и генерирует текст. В карточке заявлена поддержка английского языка. Лицензия в метаданных обозначена как llama2. Модель специально не настраивали для безопасности, поэтому она может выдавать проблемные ответы, особенно при соответствующих запросах.

crichalchemist/welfare-constructs-distilbert — модель на базе DistilBERT для классификации текста, опубликованная в библиотеке Transformers на Hugging Face. Метаданные указывают на поддержку задачи text-classification и контекст длиной до 512 токенов. Модель можно применять для отнесения текстовых примеров к классам, определённым её обучением, однако README не содержит сведений о разработчике, обучающей выборке, целевых метках, языках, размере модели, лицензии, методике обучения или результатах оценки. Поэтому конкретные сценарии применения и качество классификации необходимо проверять по конфигурации модели и экспериментально.

Модель poltextlab/xlm-roberta-large-pooled-cap-v4 — многоязычный классификатор текстов на основе xlm-roberta-large, дообученный на данных из разных предметных областей с разметкой по тематическим кодам Comparative Agendas Project (CAP). Она предназначена для автоматического определения тематики текста в исследовательских проектах, включая сравнительный анализ политических повесток. Модель используется в CAP Babel Machine — бесплатном инструменте для обработки естественного языка.

Zap — компактная модель ProCreations для определения назначения полей и веб-форм, чтобы помогать менеджерам паролей и расширениям браузера правильно заполнять формы. Она классифицирует поля по 26 типам, включая имя пользователя, электронную почту, текущий и новый пароль, одноразовый код, телефон, адрес и платёжные данные, а форму целиком — по 11 назначениям, например вход, регистрация, восстановление пароля и оплата. Модель построена на архитектуре BERT для классификации токенов; в метаданных указано 25,2 млн параметров, контекст до 512 токенов и поддержка многоязычных форм. Принимает текстовое представление формы с DOM-атрибутами и окружающим текстом, а выдаёт метки классов и оценки уверенности. В README описаны веса bf16 и варианты ONNX, включая int8, а также интеграция с Python и JavaScript. На отложенных сайтах автор сообщает точность 97,2% для полей и 95,7% для назначения формы. Zap подходит для локальной классификации форм в менеджерах паролей и браузерных расширениях. Модель не анализирует изображение страницы или CSS, не входит в shadow DOM, а поля внутри iframe требуют отдельного извлечения. Результаты на платёжных формах ограниченно проверены, а обучающие метки частично получены от LLM и могут содержать ошибки. Лицензия — MIT.

19c-ModernBERT-mini-B Newspaper Gated v2 — это дообученный энкодер ModernBERT, разработанный для работы с OCR-текстами газет XIX века. Модель содержит 58,3 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 512 токенов. Она обучена продолжением предобучения masked language modeling на отфильтрованном корпусе газетных текстов; версия v2 разбивает полный текст статей на последовательные блоки, чтобы использовать корпус полнее, чем предыдущая версия. Основная задача модели — предсказывать замаскированные токены. Её можно применять как основу для извлечения именованных сущностей, классификации, получения эмбеддингов и извлечения фрагментов из текстов газет XIX века. Модель не настроена на выполнение инструкций и не предназначена для генерации связных ответов. Лицензия — MIT.