I.3Извлечение и структурирование данных

OpenMed разработала OpenMed-NER-ProteinDetect-BioMed-109M — дообученную модель BERT для распознавания биомедицинских сущностей в текстах. Она предназначена прежде всего для извлечения белков, белковых комплексов, семейств и вариантов белков из научной литературы и других биомедицинских документов, а также для последующего анализа белковых взаимодействий и молекулярных процессов. Модель использует архитектуру BiomedNLP-BiomedELECTRA-base-uncased-abstract и решает задачу классификации токенов с BIO-разметкой. В метаданных указано 136,7 млн параметров и контекст до 512 токенов; карточка описывает обучение на корпусе FSU, связанном с молекулярной биологией и белковыми взаимодействиями. Указанные в README показатели на FSU: F1 0,93, точность 0,92 и полнота 0,94. Модель подходит для разметки текстов перед построением баз знаний, анализом взаимодействий и поиском молекулярных сущностей. Карточка также предлагает сценарии анализа клинических текстов, однако перечисленные типы сущностей сосредоточены на белках и README не приводит результатов для клинических задач. Лицензия — Apache-2.0; модель принимает токенизированный текст и возвращает метки сущностей.

OpenMed-NER-ProteinDetect-ElectraMed-33M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер с архитектурой BERT для классификации токенов; в README указана базовая архитектура e5-small-v2. Модель обрабатывает токенизированный текст и возвращает BIO-разметку сущностей, включая белки, белковые комплексы, семейства и варианты белков. Размер модели — 40 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения белковых сущностей из научных публикаций и других биомедицинских текстов, например для анализа литературы, построения графов знаний и исследований белковых взаимодействий. В README приведены результаты на корпусе FSU: F1 0,84, точность 0,82 и полнота 0,86. Указана лицензия Apache-2.0. Результаты и заявленная область применения относятся к описанному корпусу; качество на клинических документах и других типах текстов отдельно не подтверждено.

OpenMed/OpenMed-NER-ProteinDetect-MultiMed-568M — модель OpenMed для распознавания и классификации биомедицинских сущностей в тексте. Это дообученный XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и примерно 658,7 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку. Указанный контекст составляет 8194 токена. Модель обучена на корпусе FSU и распознаёт белки, белковые комплексы, семейства и группы белков, а также варианты белков. Модель предназначена для извлечения сущностей из научной биомедицинской литературы и других текстов о молекулярной биологии, например для поиска упоминаний белков при анализе взаимодействий и построении баз знаний. В README приведены результаты на FSU: F1 0,9579, точность 0,9564, полнота 0,9595 и accuracy 0,9788; эти показатели относятся к указанному набору данных. Карточка указывает лицензию Apache-2.0. Заявленное применение к медицинским записям требует отдельной проверки: описанные типы сущностей и корпус ориентированы на белки и молекулярную биологию.

OpenMed-ZeroShot-NER-BloodCancer-Small-166M — специализированная модель OpenMed для распознавания именованных сущностей в медицинских текстах о хроническом лимфолейкозе (CLL). Она построена на архитектуре GLiNER и дообучена на корпусе CLL для извлечения клинических понятий, биомаркеров и терапий. Модель поддерживает zero-shot-подход: типы сущностей можно задавать при использовании без отдельного дообучения под каждую категорию. Модель предназначена для анализа медицинских записей и научной литературы, отслеживания клинических свидетельств и изучения ответа на лечение. Для указанного тестового набора README сообщает F1 0,68 и улучшение на 23,9% относительно базовой модели. В карточке указана лицензия Apache-2.0. Размер 166M отражён в названии модели; подробности о контексте не приведены.

OpenMed-ZeroShot-NER-DNA-Large-459M — модель распознавания именованных сущностей в биомедицинских текстах, разработанная OpenMed. Она построена на архитектуре GLiNER и дообучена на корпусе JNLPBA, содержащем аннотации белков, ДНК, РНК, клеточных линий и типов клеток. Модель поддерживает zero-shot извлечение: типы сущностей можно задавать при использовании без дополнительного обучения. Модель предназначена для извлечения молекулярно-биологических сущностей из научной литературы и других биомедицинских текстов, в том числе для курирования биологических путей и анализа молекулярных взаимодействий. В README заявлен F1 0,822 на тестовой выборке JNLPBA, исключённой из обучения. Репозиторий использует формат PyTorch; лицензия — Apache-2.0. Языковая метка карточки — английский.

Orion-NER-110M-v1 — модель распознавания именованных сущностей, разработанная 3tic на базе японской символьной BERT-модели tohoku-nlp/bert-base-japanese-char-v3. Она дообучена для текстов ранобэ и особенно ориентирована на извлечение имён персонажей, включая варианты записи катаканой, кандзи и смешанными азбуками, а также имена с обращениями и прозвищами. Модель также выделяет места, организации и предметы. Модель содержит 118,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки сущностей на уровне токенов. В карточке приведён пример распознавания японских имён; автор сообщает, что книга обрабатывается примерно за три секунды на одной RTX 4090. Модель распространяется в формате safetensors по лицензии Apache-2.0. Скорость и точность указаны автором для его собственного измерения; независимые результаты оценки в карточке не приведены.

ParlaCAP — мультиязычная модель классификации текстов от Classla для определения тем парламентских выступлений по схеме Comparative Agendas Project (CAP). Это дообученная для классификации модель XLM-RoBERTa-large на базе classla/xlm-r-parla, предварительно обученной на стенограммах парламентских заседаний. Модель обучали на 29 779 выступлениях из 29 корпусов ParlaMint; она распределяет текст по 22 меткам: 21 основной теме CAP и категории «Other». Модель предназначена для тематической разметки парламентских дебатов и анализа повестки в корпусах парламентских текстов. На тестовых выборках она показала macro-F1 0,723 для английского, 0,686 для хорватского, 0,710 для сербского и 0,646 для боснийского языка. Для практического применения авторы рекомендуют учитывать уверенность предсказания: примеры с низкой уверенностью можно помечать как смешанные темы. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели — около 658,7 млн параметров, контекст — до 514 токенов. Метаданные указывают широкий мультиязычный охват, однако приведённые количественные результаты относятся только к четырём языкам. Лицензия в предоставленных материалах не указана.

QVQ-72B-Preview-3bit — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Репозиторий содержит конверсию модели Qwen/QVQ-72B-Preview в формат MLX; метаданные связывают её с базовой Qwen/Qwen2-VL-72B и указывают 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов. Модель предназначена для диалоговой работы с изображениями и ответов на вопросы об их содержимом. Карточка описывает конверсию для использования через mlx-vlm. Указана лицензия «other»; конкретные условия следует сверять с исходной карточкой модели и лицензией базовой модели.

qwen2.5-3b-legal-merged — языковая модель Ayush Ghatak для анализа юридических текстов. Она основана на Qwen/Qwen2.5-3B, дообучена с помощью LoRA на подборке юридических оговорок, условий обслуживания и политик конфиденциальности, после чего адаптеры объединены с весами модели. Это плотная авторегрессионная модель Qwen2 с 3,1 млрд параметров, контекстом 32 768 токенов и форматом safetensors. Модель предназначена для разбора договорных положений: определения типа документа и сторон, объяснения юридической терминологии, анализа обязательств и условий, а также составления кратких резюме на понятном английском языке. Карточка описывает ожидаемые структурированные ответы, разделённые на пошаговый разбор и основные выводы. Модель ориентирована на английский язык и юридическую область; заявлена поддержка интерфейса вызова инструментов. Лицензия — Apache-2.0. Ответы модели могут содержать ошибки и не заменяют проверку юристом; карточка не приводит результатов независимой оценки качества.

Qwen3-VL-8B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами метода Causal Visual Recurrent Reasoning (CVRR) на базе Qwen/Qwen3-VL-8B-Instruct. Она сохраняет визуальные представления базовой модели и использует рекуррентное уточнение состояния вопроса с фиксированными визуальными данными; итоговый декодер получает это состояние без прямого доступа к исходным визуальным данным. Пакет включает веса базовой модели, объединённый рекуррентный переход и специальный код инференса. Модель предназначена для визуального рассуждения и ответов на вопросы по изображениям. В метаданных указано 8 млрд параметров для базовой модели; репозиторий использует Transformers и формат safetensors. README не сообщает о поддерживаемых естественных языках или длине контекста. Для использования требуется специальный загрузчик: автоматическое разбиение модели между устройствами, прямая загрузка через vLLM или SGLang и повторная сериализация через стандартный save_pretrained() не поддерживаются. Лицензия — Apache-2.0.

BSC-LT/roberta-base-biomedical-es — предварительно обученная языковая модель RoBERTa для испанских биомедицинских текстов, разработанная исследовательской группой, указанной в публикации о моделях для биомедицинского и клинического языка. Модель содержит 153,2 млн параметров, использует архитектуру RoBERTa и контекст до 514 токенов. Она обучалась методом masked language modeling на корпусе примерно из 963 млн токенов, собранном из испанских биомедицинских источников. Модель предназначена для восстановления замаскированных слов, а также для дообучения под задачи распознавания медицинских сущностей и классификации текстов. В оценке на PharmaCoNER, CANTEMIST и ICTUSnet она показала результаты выше сравнивавшихся mBERT и BETO. Для работы с ней доступны веса PyTorch; лицензия — Apache-2.0. Карточка сообщает, что модель перенесена в другой репозиторий и вскоре будет удалена.

RoGemma3-4B-Instruct — мультимодальная модель OpenLLM-Ro, дообученная на базе google/gemma-3-4b-it для работы с изображениями и инструкциями на румынском языке. Она использует плотную архитектуру Gemma 3 и доступна в формате safetensors через Transformers; лицензия — CC-BY-NC-4.0. Модель предназначена для исследований и дальнейшей адаптации румынских моделей с визуальным вводом. Она может описывать изображения, отвечать на вопросы о них, разбирать документы и диаграммы, распознавать текст на изображениях и связывать упомянутые объекты с их расположением. В бенчмарках README показаны улучшения относительно базовой Gemma 3 4B IT по совокупным результатам, подписям к изображениям, вопросам об изображениях, документам и визуальному заземлению. Основной язык модели — румынский; README исключает применение на других языках. Размер параметров и длина контекста в предоставленных данных не указаны. Результаты бенчмарков не гарантируют точность в конкретных сценариях; лицензия ограничивает коммерческое использование.

sanskar003/sam3-qwen3.5-2b — мультимодальная модель, созданная объединением Qwen3.5-2B от Qwen и визуального энкодера SAM 3 от Meta. К энкодеру изображений Qwen добавлены признаки SAM 3, чтобы улучшить точность локализации объектов; модель предназначена прежде всего для поиска объектов на изображениях и выдачи их координат в JSON, нормированных в диапазоне 0–1000 относительно исходного размера изображения. Модель принимает изображения и текстовые запросы через стандартный процессор Qwen3.5 и генерирует текстовый ответ. Она рассчитана на статичные изображения; обработка видео не поддерживается. В README указано, что обучение проводилось на закрытом наборе данных с одной формулировкой запроса, поэтому поведение на других доменах, формулировках и в общих задачах визуальных вопросов не проверено. Слияние добавляет дополнительный проход энкодера SAM 3 и примерно вдвое снижает пропускную способность относительно исходной Qwen3.5-2B; повышается точность локализации за счёт подавления ложных срабатываний, но полнота обнаружения не улучшается. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия указана как other, поэтому конкретные условия использования следует сверять с файлами репозитория и лицензиями базовых моделей. Проверен режим bfloat16.

Rychanfox разработала модель Semantic Highlighting Classifier на основе encoder-модели ModernBERT-base с линейным классификатором токенов и слоем CRF для совместного выбора последовательности меток. Она выделяет в англоязычных технических и академических аннотациях смысловые фрагменты: вклад, метод, результаты, доказательства, ограничения, будущую работу и безопасность. Модель предназначена для инструмента доступности, который помогает читателям с дислексией или СДВГ просматривать научный текст по цветовым смысловым категориям; она также подходит для разметки таких фрагментов в аннотациях. Модель дообучена на слабо размеченных аннотациях arXiv, частично исправленных вручную, и использует веса в формате safetensors. CRF помогает формировать более связные последовательности меток, а модель рассчитана на работу в реальном времени. На небольшой проверочной выборке из 21 аннотации точность точных границ фрагментов скромная: exact-match F1 составляет 0,16, тогда как F1 с перекрытием символов — 0,86. Данные преимущественно охватывают ML/NLP; перенос на другие области и полный текст статей не проверен, а метки Safety и FutureWork представлены редко. Лицензия — Apache-2.0.

RJ3vans/SSCCVspanTagger — модель на архитектуре BERT для разметки токенов по принадлежности к типам синтаксических составляющих. Она предназначена для выявления границ и типов фрагментов предложения, в том числе в сценариях упрощения текста. В примерах README квадратными скобками отмечается левая граница фрагмента; карточка указывает, что при развёртывании в системе упрощения текста эту отметку может предварительно определять отдельная модель. Модель дообучена для задачи token classification на наборе данных из докторской диссертации Р. Эванса о упрощении предложений для обработки текста. Чекпойнт содержит 432,3 млн параметров, принимает последовательности длиной до 512 токенов и опубликован в формате PyTorch. Лицензия в предоставленных данных не указана.

stanfordnlp/stanza-fi — модель Stanza для финского языка, подготовленная Stanford NLP. Она входит в набор инструментов для лингвистического анализа текста и предназначена для разметки последовательностей токенов; в каталоге её задача указана как token-classification. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Модель подходит для запуска анализа финского текста в Stanza и задач классификации токенов. Карточка не уточняет конкретные типы разметки, размер модели, контекстное окно или отдельные ограничения качества.

nakamoto-yama/t5-resume-generation — модель семейства T5, дообученная разработчиком на 10 000 парах описаний вакансий и резюме. Она принимает текст описания вакансии и генерирует структурированное представление резюме в формате JSON, чтобы помочь соискателю адаптировать резюме под требования конкретной позиции и автоматизировать его подготовку. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает до 512 токенов контекста. Она рассчитана на английский язык. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Качество результата зависит от полноты и ясности описания вакансии, а сгенерированное резюме требует проверки человеком. Модель может упускать отраслевые нюансы; кроме того, для фигурных скобок в выводе используются токены RB> и LB>, а не символы { и }.

toponym-19thC-en — модель BERT, разработанная проектом Living with Machines и дообученная для распознавания топонимов в исторических английских текстах. Она размечает токены в формате BIO и выделяет места (LOC), здания (BUILDING) и улицы или дороги (STREET). Модель предназначена прежде всего для оцифрованных газет XIX века; она обучалась на обучающей части набора TopRes19th версии 2, включающей 5 216 размеченных примеров. Базовая модель Livingwithmachines/bert_1760_1900 предварительно обучена на исторических англоязычных книгах 1760–1900 годов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Распознавание внеземных, вымышленных и прочих редких типов мест не является её целевой задачей. Качество может снижаться на текстах, отличающихся от данных газет из четырёх местностей Англии, и на текстах с низким качеством OCR: для обучения отбирали статьи с высоким показателем читаемости. Авторы также отмечают ошибки BIO-разметки в названиях с дефисами. Лицензия — CC BY 4.0.

TRACE-uni — видеоязыковая модель Yongxin Guo и соавторов для понимания событий в видео. Она основана на дообученной Mistral-7B-Instruct-v0.2 и использует причинное моделирование событий, последовательно связывая временные метки, оценки значимости и текстовые описания. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для поиска событий и временных интервалов в видео, плотного описания видео и ответов на вопросы о его содержании. В README также приведены результаты на задачах общего понимания видео. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для работы с видео требуется видеовход, однако доступная классификация Hugging Face указывает только задачу генерации текста.

megagonlabs/transformers-ud-japanese-electra-base-ginza-520 — японская языковая модель ELECTRA, разработанная Megagon Labs. Она предварительно обучена примерно на 200 млн предложений на японском языке из mC4, а затем дообучена spaCy v3 на UD_Japanese_BCCWJ r2.8. Вариант модели использует токенизацию sudachitra-wordpiece. Модель предназначена для извлечения признаков и использования в японском NLP. В составе пакета ja_ginza_electra и GiNZA v5 она применяется в конвейерах spaCy, включая анализ структур bunsetsu — фразовых единиц японского языка. Архитектура — ELECTRA, 136,4 млн параметров, контекст до 512 токенов; репозиторий содержит веса PyTorch. Лицензия — MIT. Модель рассчитана на японский язык; сведения о качестве на других языках и сравнительных оценках в карточке не приведены.

TROCR-Chess — модель распознавания рукописной шахматной нотации на изображениях, разработанная автором репозитория как дообученная версия Microsoft TrOCR-Large. Архитектура Vision Encoder-Decoder на базе TrOCR преобразует изображения записей ходов в текстовую стандартную алгебраическую нотацию (SAN); модель принимает изображения и выдаёт текст. В README описано обучение на 13 731 изображении рукописных ходов, с оценочной точностью около 92% и CER около 3%.

Это модель poltextlab, представляющая собой XLM-RoBERTa Large, дообученную на англоязычных данных с разметкой основных тематических категорий Comparative Agendas Project (CAP). Она классифицирует тексты по кодам мастер-кодбука CAP и предназначена для сравнительного анализа политических повесток и исследовательских проектов; модель также используется в бесплатном инструменте CAP Babel Machine. В карточке указаны точность 83% и macro F1 0,80 на оценке разработчиков. Модель использует архитектуру XLM-RoBERTa Large и токенизатор SentencePiece; лицензия — CC BY 4.0.

Это дообученная модель распознавания речи на базе Wav2Vec2ForCTC с 113,3 млн параметров, опубликованная пользователем gary109. Она обучена на датасете GARY109/AI_LIGHT_DANCE - ONSET-IDMT-MDB-ENST2 для автоматического распознавания речи; в README указаны результаты на тестовой выборке: loss 0,5661 и WER 0,3416. Подходит для преобразования аудиозаписей в текст в сценариях, связанных с данными обучения. Язык распознавания и дополнительные сценарии в доступных материалах не описаны. Модель распространяется в формате PyTorch; сведения о лицензии отсутствуют.

Asagi-2B — японская мультимодальная модель для диалогов с изображениями и текстом. Репозиторий aipib содержит её GGUF-версию в формате F16; в метаданных архитектура указана как LlavaForConditionalGeneration, семейство Llava. Модель дообучена на основе llm-jp/llm-jp-3-1.8b-instruct и предназначена для задач image-text-to-text. Модель принимает изображения и текстовые запросы, а в ответ генерирует текст. В README указано, что для подготовки imatrix использовался японский датасет TFMC/imatrix-dataset-for-japanese-llm; метаданные также отмечают японский язык. Лицензия — Apache-2.0. README ссылается на стороннюю статью с инструкциями по конвертации GGUF и использованию через Ollama.

SarvaniM/autotrain-trfqp-i9mjp — модель классификации текста, обученная с помощью AutoTrain на основе google-bert/bert-base-uncased. Она предназначена для присвоения текстам меток в задаче, на которой выполнялось обучение. Модель использует архитектуру BertForSequenceClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены метрики на валидационной выборке: accuracy 0,74, а также macro F1 0,738. Эти результаты характеризуют только указанную выборку; область применения и набор классов в карточке не описаны. Базовая модель англоязычная, поэтому применение к другим языкам не подтверждено. В метаданных лицензия не приведена.

pierreguillou/bert-base-cased-pt-lenerbr — языковая модель на архитектуре BERT base, дообученная Пьером Гийу на модели BERTimbau base для юридического домена Бразилии на португальском языке. Обучение выполнено на наборе LeNER-Br с задачей предсказания маскированных токенов; модель содержит 136,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для заполнения пропусков в юридических текстах на португальском языке и может служить основой для извлечения именованных сущностей в бразильских судебных документах. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

BioClinical-ModernBERT-large — англоязычный доменно-адаптированный энкодер ModernBERT, разработанный для биомедицинской и клинической обработки естественного языка. Модель содержит около 395 млн параметров, принимает текст и обучена предсказывать замаскированные токены; для неё заявлен контекст до 8192 токенов. Модель предназначена для заполнения пропусков и как энкодерная основа для решений поиска и классификации длинных клинических и биомедицинских текстов. Обучение включало корпус PubMed и PMC, а также 20 клинических датасетов из разных учреждений, областей и географических регионов. README сообщает об оценке на биомедицинских и клинических задачах, но приведённая карточка не содержит полных результатов таблиц. Это дообучение answerdotai/ModernBERT-large; файлы доступны в форматах PyTorch и safetensors, использовать модель можно через Transformers. Лицензия — MIT. Модель рассчитана на английский язык, а её качество для других языков не заявлено.

Модель wsntxxn/cnn8rnn-laionclap-audiocapsv2-grounding предназначена для привязки текстовых описаний звуковых событий к аудиозаписи. Она принимает аудиофрагмент и текстовый запрос о звуковом событии и оценивает вероятность его присутствия с временным разрешением 40 мс. Модель обучена на расширенной версии AudioCaps v2; текстовый энкодер — замороженный RoBERTa из LAION-CLAP, поэтому значительную часть параметров составляет текстовый энкодер. Модель подходит для поиска заданных звуковых событий в аудио и определения их временных интервалов. В метаданных указаны архитектура Cnn8RnnLaionClapGroundingModel, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Карточка указывает английский язык.

Donut para boletas peruanas — модель извлечения структурированных данных из изображений печатных чеков Перу. Это экспериментальная низкоресурсная адаптация Donut, разработанная на основе naver-clova-ix/donut-base-finetuned-cord-v2; модель не использует отдельный OCR. Архитектура VisionEncoderDecoderModel сочетает энкодер Donut-Swin с декодером mBART и содержит около 201 млн параметров. На вход подаётся изображение целого чека, на выходе формируется текстовое представление данных для преобразования в JSON: продавец, RUC, дата, номер документа, позиции меню, подытог, IGV и итоговая сумма. Модель рассчитана на прототипы и контролируемые эксперименты с печатными чеками на испанском языке из Перу. Для обучения использовались 140 аннотированных чеков из частного датасета, который не распространяется. В тесте из 20 документов JSON корректно разбирался в 75% случаев, все восемь ключей присутствовали в 50%, а строгой проверке схемы соответствовали 20%; точность извлечения полного списка меню в зарегистрированной оценке составила 0%. Результаты ограничены малым тестовым набором. Лицензия — MIT.

KBLab/emotional-classification — модель SetFit на основе архитектуры BERT для классификации эмоций в шведских текстах. Она разработана KBLab и обучена на новостных заголовках, размеченных вручную. Модель относит текст к одной из семи категорий: отсутствие эмоции, радость, любовь или эмпатия, тревога или страх, грусть или разочарование, гнев или ненависть, надежда или ожидание. Обучение проходило в два этапа: контрастивное дообучение шведского Sentence Transformer от KBLab и обучение классификационной головы на полученных признаках. Модель предназначена для автоматической разметки эмоциональной тональности текстов на шведском языке; также в каталоге отмечены извлечение признаков и сходство предложений. Размер составляет 151,9 млн параметров, контекст — до 512 токенов. Лицензия Apache-2.0. Оценка в карточке основана на очень маленьком тестовом наборе из 35 примеров, подобранных как хорошие представители категорий, поэтому она не отражает надёжно качество на реальных данных. Авторы указывают, что полноценная оценка на реальных данных запланирована позднее.