I.3Извлечение и структурирование данных

FaBERT — предварительно обученная модель семейства BERT для обработки персидского текста, разработанная SBU NLP и обученная на корпусе HmBlogs объёмом более 50 ГБ, включающем разговорные и формальные тексты из персидских блогов. В репозитории указана архитектура BERT с головой masked language modeling; метаданные сообщают о 151,6 млн параметров и контексте до 512 токенов. Основное назначение опубликованного чекпойнта — предсказание скрытых токенов в персидском тексте. Его также можно дообучать для задач понимания языка: анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о взаимосвязи предложений. Карточка приводит результаты оценивания на наборах данных для этих задач и рекомендует использовать fast tokenizer по умолчанию. Модель принимает и выдаёт текст, рассчитана на персидский язык. Для прикладных задач, кроме заполнения масок, требуется соответствующая настройка или дообучение. Карточка не приводит сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

GPT-WEB-BG — языковая модель GPT-2, разработанная Ивой Мариновой в рамках проекта ClaDa-BG при Болгарской академии наук. Она обучена с нуля на частном веб-корпусе болгарского языка с использованием авторегрессионной языковой модели и предназначена для продолжения и генерации текста по текстовой подсказке. В карточке Hugging Face указаны форматы PyTorch и Safetensors, лицензия CC BY 2.0 и контекст длиной 1024 токена. Модель рассчитана на болгарский язык. Её можно использовать для генерации текста, а также дообучать для задач анализа онлайн-медиа, например извлечения событий и отношений или распознавания именованных сущностей. Описание сообщает о чистке и балансировке обучающих данных, но приводит примеры, показывающие возможные гендерные стереотипы в генерации. Модель предназначена для исследователей и специалистов NLP; лицензию CC BY 2.0 следует соблюдать при использовании и распространении.

BarzinV разработал Maltese OCR — TrOCR char-decoder для распознавания печатного текста на мальтийском языке в изображениях. Модель создана для соревнования DocEng 2026 по извлечению корпусов на мальтийском языке и построена на архитектуре VisionEncoderDecoderModel: визуальный энкодер ViT/DeiT принимает изображения размером 384×384, а трансформерный декодер генерирует текст посимвольно. Словарь из 120 токенов охватывает мальтийские буквы, латиницу, цифры и знаки препинания. Модель дообучена на Microsoft TrOCR Base Handwritten, с заменой исходного субсловного декодера на символьный; обучение включало самосупервизионную предобучающую стадию энкодера и последующее обучение на синтетических изображениях текста. Она предназначена для транскрибирования мальтийского печатного текста, включая короткие фрагменты и строки. На наборе разработки соревнования из 422 изображений заявлен corpus-aggregate CER около 0,3912. Модель распространяется под лицензией MIT. Основное ограничение — разрыв между синтетическими обучающими данными и реальными изображениями: ошибки чаще возникают на зашумлённых или низкокачественных фрагментах. Модель рассчитана на печатный мальтийский текст, не предназначена для рукописей и других языков; декодер ограничен 512 позициями, поэтому текст длиннее примерно 511 символов может быть обрезан.

MahaBERT-SQuAD — модель семейства BERT, разработанная L3Cube Pune и дообученная на переведённом на маратхи наборе данных L3Cube-MahaSQuAD для ответов на вопросы. Она предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном тексте, например для поиска сведений в документах на маратхи. Модель использует архитектуру BertForQuestionAnswering, содержит 264,8 млн параметров и поддерживает контекст длиной до 512 токенов. Модель работает с текстом на маратхи и выдаёт текстовый ответ. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — CC BY 4.0. Карточка ссылается на исследование MahaSQuAD и набор данных, поэтому качество следует оценивать на целевых текстах и задачах; сведения о других языках или возможностях за пределами ответов на вопросы не приведены.

Rayyan Medical Coding Model — дообученная RayyanAhmed9477 модель на базе Microsoft Phi-3 для извлечения медицинских кодов из клинических записей. Она предназначена для автоматизации кодирования документации и поддержки процессов выставления счетов, проверки качества и подготовки аудита. По README модель извлекает коды ICD-10, CPT и HCPCS, учитывает контекст документа и может выдавать оценки уверенности. Метаданные указывают архитектуру Phi-3, 3,7 млрд параметров, контекст до 4096 токенов и формат SafeTensors; README приводит противоречивую оценку контекста в 128K токенов, поэтому ориентироваться следует на значение из метаданных. Модель принимает клинический текст и генерирует коды и связанные с ними пояснения или оценки. Карточка заявляет локальный запуск и применение в медицинских рабочих процессах, но не предоставляет проверяемых результатов оценки. Лицензия — MIT.

opencode-r1 — модель обнаружения объектов, созданная дообучением facebook/detr-resnet-50 на наборе biglam/loc_beyond_words. Она предназначена для поиска и выделения рамками фотографий, иллюстраций, карт, комиксов и карикатур, редакционных карикатур, заголовков и рекламных объявлений на газетных страницах времён Первой мировой войны из коллекции Chronicling America Библиотеки Конгресса США. Архитектура — DETR с backbone ResNet-50; веса представлены в формате safetensors. Лицензия — Apache-2.0. На проверочной выборке из 712 изображений указаны mAP@0.5:0.95 = 0,3062 и mAP@0.5 = 0,4356. При этом в карточке для всех семи классов приведён нулевой поклассовый mAP@0.5, что противоречит общей оценке и требует осторожности при интерпретации результатов. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками классов; сведения о поддержке других языков или модальностей не приводятся.

OpenMed-NER-ProteinDetect-BioPatient-108M — специализированная модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Она основана на архитектуре BERT и дообучена для классификации токенов; в метаданных указано 135,5 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку сущностей, включая белки, белковые комплексы, семейства и варианты белков. Модель предназначена для извлечения упоминаний белков и связанных сущностей из медицинских записей и научной литературы, в том числе для анализа взаимодействий белков, мониторинга нежелательных явлений и построения биомедицинских баз знаний. В README приведены результаты на корпусе FSU: F1 0,91, точность 0,90, полнота 0,92 и accuracy 0,97. Карточка указывает английский язык; лицензия — Apache-2.0. Результаты и заявления о надёжности приведены разработчиком и не гарантируют качество на данных других типов или вне домена белковой биологии.

OpenMed-NER-ProteinDetect-ModernClinical-149M — модель OpenMed для распознавания белковых сущностей в биомедицинском тексте. Это дообученный ModernBERT для token classification с 149 млн параметров и контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель размечает упоминания белков, белковых комплексов, семейств и групп белков, вариантов белков и связанных сущностей тегами BIO. Модель предназначена для извлечения сущностей из научных публикаций, клинических записей и других биомедицинских документов. Её можно применять для поиска белков и их вариантов, анализа белковых взаимодействий, построения баз знаний и поддержки исследований в молекулярной биологии. В README приведены результаты на корпусе FSU: F1 0,90, точность 0,90 и полнота 0,91. Обучение описано как дообучение на корпусе FSU, посвящённом белковым взаимодействиям и молекулярной биологии. Заявленный язык карточки — английский; лицензия Apache-2.0. Показатели качества относятся к указанному набору данных, поэтому для других типов текстов и клинических сценариев их следует проверять отдельно.

OpenMed-NER-ProteinDetect-SnowMed-568M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная XLM-RoBERTa для классификации токенов с 658,7 млн параметров и контекстом до 8194 токенов; веса опубликованы в формате safetensors. Модель размечает белки, белковые комплексы, семейства и группы белков, а также варианты белков BIO-тегами. Она обучена на корпусе FSU, ориентированном на взаимодействия белков и молекулярную биологию. Модель предназначена для извлечения сущностей из научной биомедицинской литературы и других специализированных текстов, например для поиска упоминаний белков при анализе взаимодействий и построении баз знаний. В карточке также заявлены клинические и исследовательские сценарии, включая извлечение сведений из медицинских записей и мониторинг нежелательных явлений, однако описанные классы сущностей и датасет сосредоточены на белках. Заявленные показатели на FSU: F1 0,9609, точность 0,9576, полнота 0,9642 и accuracy 0,9803; это результаты на указанном корпусе и они не гарантируют качество на других данных. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Genome-Large-459M — специализированная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Она использует архитектуру GLiNER и дообучена на корпусе BC2GM, содержащем аннотации упоминаний генов и белков в научных публикациях. Модель принимает текст и возвращает найденные сущности с разметкой токенов; заявлена возможность задавать типы сущностей без дополнительного обучения. Модель предназначена для извлечения генов и белков из биомедицинской литературы и поддержки курирования данных, поиска связей и анализа упоминаний. В README приведён результат F1 0,8616 на тестовой части BC2GM, исключённой из обучения. Заявления о распознавании произвольных типов сущностей не сопровождаются отдельными метриками, поэтому качество для пользовательских типов может отличаться. Репозиторий содержит веса PyTorch; лицензия Apache-2.0.

OpenMed-ZeroShot-NER-Genomic-XLarge-770M — модель OpenMed для извлечения упоминаний генов и связанных с генетикой сущностей из биомедицинских текстов. Она построена на архитектуре GLiNER и дообучена на корпусе GELLUS; размер модели — 770 млн параметров. Модель принимает текст и возвращает найденные сущности с разметкой токенов. Для извлечения типов сущностей можно задавать метки, в том числе пользовательские, без отдельного дообучения. Модель предназначена для анализа научной литературы и других текстов по геномике и молекулярной биологии, включая выявление генов и генетических вариантов для исследований генетических ассоциаций и курирования вариантов. В README приведён результат F1 0,9003 на тестовом наборе GELLUS; этот показатель относится к конкретному бенчмарку и не гарантирует такую же точность на других данных. Карточка указывает английский язык и лицензию Apache-2.0. Несмотря на заявления README о широком распознавании медицинских сущностей, описание датасета и специализация этой версии сосредоточены на генетике.

OpenMed-ZeroShot-NER-Protein-Large-459M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, белковым взаимодействиям и молекулярной биологии; размер модели — 459 млн параметров. Модель принимает текст и возвращает найденные сущности с типами и позициями. Основное назначение — извлечение белков, белковых комплексов, семейств и вариантов для анализа научной литературы, поиска белок-белковых взаимодействий и моделирования биологических путей. Zero-shot-интерфейс позволяет задавать типы сущностей при запросе без отдельного дообучения, хотя качество для типов, не представленных в обучающих данных, может быть ниже. Карточка сообщает F1 0,92 на тестовой выборке FSU, исключённой из обучения. Модель рассчитана прежде всего на англоязычный биомедицинский текст; лицензия — Apache-2.0. Результаты зависят от формулировки меток сущностей и порога предсказания, а заявленные показатели относятся к FSU и не гарантируют аналогичного качества на других корпусах или клинических сценариях.

mljn/policy-vs-other-v2 — модель классификации текста, созданная дообучением XLM-RoBERTa-base. Она определяет, посвящён ли пост политической партии вопросу государственной политики («policy issue») или относится к другой категории («other»). Модель разработана для первого этапа двухэтапной классификации тем в наборе PartySOME: она отфильтровывает посты о митингах, мероприятиях, поздравлениях и личных темах, чтобы тематические классификаторы реже присваивали им нерелевантные темы. Модель обучена на 5 895 вручную размеченных публикациях партий из 18 европейских стран, написанных на исходных языках и собранных в Facebook, Instagram и Twitter. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. На тестовой выборке из 884 постов точность составила 0,893; результаты различаются между странами и платформами. Модель предназначена прежде всего для публикаций европейских политических партий. Её качество на других видах политических текстов и в других регионах не проверялось; оценки по отдельным странам основаны примерно на 49 тестовых постах и носят ориентировочный характер. Разметка постов со смешанным содержанием может зависеть от субъективного решения. Лицензия в предоставленных данных не указана.

Raretutor/Qwen3-VL-32B-MiniMax-H3-GGUF — это сильно квантованная мультимодальная версия Qwen3-VL-32B-Instruct, разработанная на базе модели Qwen от Qwen. Репозиторий распространяет модель в формате GGUF с 2-битной квантизацией Q2 и архитектурой Qwen3 Vision-Language. Модель предназначена для локального выполнения задач image-text-to-text: анализа и подробного описания изображений в ответ на текстовые запросы. Она совместима с llama.cpp и llama-cpp-python, а также может использоваться в локальных Python-скриптах, интерфейсах Gradio и рабочих процессах ComfyUI. Для обработки изображений требуется совместимый мультимодальный проектор mmproj в формате GGUF, загружаемый вместе с основной моделью. Модель содержит 32 млрд параметров и благодаря 2-битной квантизации рассчитана на работу с очень ограниченным объёмом видеопамяти; в README заявлена возможность полной выгрузки на GPU с 12 ГБ VRAM, например на RTX 3060. Ключевое преимущество — существенно уменьшенный размер и пригодность для локального запуска, однако агрессивная квантизация может ограничивать качество по сравнению с исходной моделью. В README указан контекст 4096 токенов как пример настройки, а также лицензия Apache-2.0. Поддерживаемые языки отдельно не указаны.

Redflag Detection V2.0 — специализированная медицинская модель извлечения симптомов и факторов риска, созданная дообучением Qwen2.5-7B-Instruct. Она принимает сообщения пользователей и возвращает структурированные данные в формате JSON: возраст, сведения о пациенте, заболевания, симптомы, отрицаемые симптомы, характеристики симптомов и контекстные факторы. Результат предназначен для передачи механизму правил, который определяет экстренные медицинские признаки. Модель основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Она рассчитана на английский и малайский языки, использует контекст до 32 768 токенов и распространяется в формате safetensors. В README заявлены Exact Match 90,0% и Micro F1 0,950 на тесте из 100 случаев вне распределения, а на проверке извлечения из 269 примеров — Exact Match 88,5% и Micro F1 0,870. Лицензия — Apache-2.0. Модель извлекает информацию для последующего применения правил; сама по себе она не заявлена как средство постановки диагноза или замена медицинской оценки. Результаты тестирования относятся к указанным в карточке наборам данных.

kopzoo/roberta-base-klue-ynat — дообученная модель RoBERTa для классификации текстов. Она основана на klue/roberta-base, корейской модели для понимания текста, и содержит 137,8 млн параметров. Модель предназначена для присвоения тексту категории; README указывает качество Accuracy 0,67 на оценочной выборке, но набор данных и категории не описаны. Модель принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 514 токенов. Веса опубликованы в формате safetensors; используется библиотека Transformers. Лицензия в доступных данных не указана.

Это модель RelBERT, созданная на основе roberta-large и дообученная библиотекой RelBERT на наборе relbert/semeval2012_relational_similarity. Она предназначена для получения векторных представлений слов и отношений между ними, чтобы использовать их в задачах понимания семантических отношений. Модель применима для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09. Модель имеет архитектуру RoBERTa с 454,1 млн параметров, работает с текстом и поддерживает контекст до 514 токенов. Лицензия в предоставленных данных не указана.

RelBERT — дообученная на базе roberta-large модель для получения текстовых эмбеддингов, ориентированных на понимание семантических отношений между словами и понятиями. Её обучили с помощью библиотеки RelBERT на наборе relbert/semeval2012_relational_similarity. Модель предназначена для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09; точность на наборе аналогий Google составляет 0,924, а micro F1 на K&H+ — 0,962. Архитектура — RoBERTa, размер — 454,1 млн параметров, максимальная длина контекста — 514 токенов. Репозиторий содержит веса PyTorch; модель можно использовать через библиотеку RelBERT. Модель принимает текст и предназначена для извлечения признаков, в частности в задачах семантического анализа отношений. Данные не подтверждают поддержку конкретных естественных языков. Сведения о лицензии в предоставленных источниках отсутствуют.

RoBERTalex — испаноязычная языковая модель на архитектуре RoBERTa-base, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра. Модель содержит 153,2 млн параметров и предварительно обучена на испанском юридическом корпусе объёмом 8,9 ГБ; максимальная длина контекста — 514 токенов. Модель предназначена для заполнения пропусков в тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей и ответов на вопросы. Для обучения использовались материалы из разных веб-источников; в карточке приведены результаты дообучения на задачах разметки частей речи и распознавания сущностей. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают о возможных смещениях в данных: систематическая оценка предвзятости не проводилась.

KM4STfulltext/SSCI-SciBERT-e4 — предобученная языковая модель на архитектуре BERT, разработанная для обработки научных текстов в социальных науках. Модель продолжила обучение на аннотациях статей из журналов SSCI за 1986–2021 годы; общий объём обучающего корпуса составил около 503,9 млн слов. Вариант e4 основан на Scibert-scivocab-cased и предназначен для использования с Transformers и PyTorch. Модель решает задачу заполнения пропусков в тексте и может служить основой для адаптации к классификации названий и аннотаций научных статей, а также распознавания структуры аннотаций. Архитектура содержит около 137,1 млн параметров и поддерживает контекст до 512 токенов. Карточка демонстрирует улучшение результатов на отдельных задачах классификации социальных научных текстов, но эти показатели относятся к конкретным наборам данных и настройкам экспериментов. Лицензия — Apache 2.0.

stanfordnlp/stanza-ko — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа корейского языка. Она предназначена для обработки текста в конвейере Stanza; метаданные Hugging Face относят её к задаче классификации токенов. Набор Stanza также предоставляет инструменты синтаксического анализа и распознавания сущностей, но карточка этой модели не уточняет, какие именно компоненты входят в данный репозиторий. Модель хранится в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста или конкретные ограничения качества.

TAPAS large — модель семейства TAPAS от Google для ответов на вопросы по табличным данным. Она основана на BERT-подобном трансформере и дообучена последовательно на SQA и WikiSQL; размер модели составляет 433,9 млн параметров. Модель принимает вопрос и таблицу, представленную в виде последовательности текста, и выбирает ячейки таблицы с помощью специализированных классификационных голов, при необходимости выполняя агрегацию. Модель рассчитана на вопросы на английском языке о содержимом таблиц, включая запросы к таблицам в формате WikiSQL. Предварительное обучение включало маскированное языковое моделирование и промежуточное обучение на синтетических примерах для числового рассуждения. В README указана максимальная длина последовательности 512 токенов при дообучении; метаданные каталога указывают контекст в 1024 токена. Доступны версии с относительными позиционными встраиваниями, сбрасывающими позиции в каждой ячейке, и с абсолютными позициями. Модель распространяется по лицензии Apache-2.0. Она специализирована на табличных вопросах и обучена на англоязычных данных; результаты для других языков и форматов задач карточкой не подтверждены.

Telugu BERT Large — модель veeranool, представляющая собой энкодер BERT для предсказания замаскированных токенов. Она обучена с нуля только на текстах на телугу. По метаданным, модель содержит 334 млн параметров; в README указана оценка около 268 млн. Архитектура включает 16 слоёв, 16 голов внимания, скрытый размер 1024 и словарь WordPiece из 64 000 токенов. Максимальная длина контекста — 512 токенов. Модель предназначена для заполнения пропусков и получения контекстных представлений текста, которые можно дообучить для распознавания именованных сущностей, классификации и других задач понимания текста на телугу. В тесте NER на PAN-X.te она показала F1 69,71% при описанном в карточке протоколе; сравнение с kuppuluri/telugu_bertu ограничено этим экспериментом. Лицензия — MIT. Модель не предназначена для генерации текста в свободной форме и не поддерживает другие языки или смешанный текст без адаптации. Обучение охватило лишь часть доступного корпуса, а опубликованная оценка MLM выполнена на данных, близких к обучающим; результаты на большинстве downstream-задач не измерялись.

TRIDIS (Tria Digita Scribunt) — модель распознавания рукописного текста в изображениях средневековых и ранненововременных рукописей, разработанная Серджио Торресом Агиларом и Винсентом Жоливе. Она предназначена прежде всего для документальных источников — грамот, регистров, феодальных книг и судебных документов XI–XVI веков, а также может применяться к литературным книгам, научным трактатам и картуляриям. Модель использует архитектуру encoder-decoder VisionEncoderDecoderModel и объединяет доработанный TrOCR-large-handwritten с моделью RoBERTa, обученной на исторических текстах. Она распознаёт латинский, старофранцузский и староиспанский тексты, в том числе в почерках Textualis и Cursiva. При обучении и оценке использовались 2 950 страниц, 245 тысяч строк и около 2,3 миллиона токенов; на валидации заявлена точность 94,3%, а на трёх внешних наборах CER составил 0,06–0,12 и WER — 0,14–0,26. Транскрипции следуют полудипломатическим правилам: сокращения раскрываются, имена собственные капитализируются, а пунктуация нормализуется; отменённые слова обозначаются знаками $. Модель распространяется по лицензии MIT. Результаты зависят от почерка, состояния документа и соответствия текста историческому периоду и принятым правилам транскрипции.

AdminBERT-16GB — французская языковая модель, разработанная для работы с административными документами. Это производная модели CamemBERT на архитектуре RoBERTa, дообученная на корпусе из 50 миллионов французских административных текстов из набора Adminset. Модель содержит 137,8 млн параметров, использует Whole Word Masking с долей маскирования 30% и принимает последовательности длиной до 514 токенов. Основная задача модели — предсказывать замаскированные слова в тексте. Такое представление может быть полезно как основа для адаптации к административной лексике, включая последующее дообучение для распознавания именованных сущностей в документах. В README приведена оценка NER на Adminset-NER, но она относится к отдельным дообученным моделям, а не к AdminBERT-16GB напрямую. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

wptoux разработал китайскую модель ответов на вопросы на базе ALBERT large. Она дообучена на объединённых наборах Baidu WebQA 1.0 и DuReader: данные преобразованы в формат SQuAD, обучающая выборка содержит 705 139 примеров, проверочная — 69 638. Модель предназначена для извлечения ответа на вопрос из предоставленного текста и использует архитектуру AlbertForQuestionAnswering с весами PyTorch; для токенизации автор рекомендует BertTokenizer. Модель рассчитана на китайский язык и контекст до 512 токенов. Число параметров — 424,3 млн. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о поведении на данных вне указанных наборов.

Это набор LoRA-адаптеров семейства Qwen3, выпущенный разработчиком Alexandria Audiobook для структурированной атрибуции реплик персонажам в английских романах. Модель получает уже разделённые строки текста и заданный список персонажей, а для каждой строки выбирает говорящего и формирует JSON-объект с индексом и именем. Это адаптеры, а не самостоятельные чат-модели: для работы нужны соответствующие базовые веса Qwen3, а при подключении следует выбрать адаптер и базовую модель, указанные в карточке. Адаптеры рассчитаны на конвейер подготовки аудиокниг, где требуется назначить говорящего каждой строке текста в структурированном запросе Alexandria Audiobook. В карточке приведены разные варианты адаптеров и результаты их оценки; показатели зависят от базовой модели, обучающих данных, формата и условий запуска. Для Qwen3-14B указаны 32 тысячи токенов контекста в проверенной конфигурации. Карточка описывает английский язык; другие языки и сценарии не проверялись. Веса адаптеров распространяются по лицензии Apache-2.0. Модель не обнаруживает персонажей самостоятельно, а выбирает только из переданного списка. Возможны ошибки индексов, пропуски, дублирование и неверная атрибуция; JSON следует проверять, а опубликованный аудиоматериал — проверять человеком. Результаты оценки зависят от конкретных наборов текстов, а часть вариантов адаптеров оценена частично или не оценена.

AX-3.1-Light-sft_v3_1_E_format_safe — корейская диалоговая модель на 6,8 млрд параметров, созданная дообучением SKT A.X-3.1-Light. Разработчик провёл SFT с адаптером LoRA, затем объединил его с базовыми весами; модель поставляется как самостоятельный чекпойнт BF16 в формате safetensors. Используются архитектура Llama и официальный шаблон чата A.X. Модель принимает текст и генерирует текст; контекст — до 32 768 токенов. Модель предназначена для исследовательских задач и контролируемой оценки на корейском языке, особенно на коротких и структурированных ответах. В обучающих данных были инструкции по гражданскому, уголовному и административному праву, корпоративному учёту, базовым медицинским знаниям, пониманию новостных статей и оценке технологий. Лицензия репозитория — Apache-2.0. Модель экспериментальная и может допускать фактические ошибки. Её не следует использовать вместо профессиональной юридической, бухгалтерской, медицинской или финансовой консультации; исходные данные AI Hub сохраняют собственные условия доступа.

Misraj AI разработала Baseer__Nakba — мультимодальную модель на архитектуре Qwen2.5-VL с 3,1 млрд параметров, предназначенную для распознавания рукописного арабского текста на исторических документах. Модель принимает изображения и формирует текст; её обучали для соревнования Nakba NLP 2026, где она заняла первое место на закрытом тестовом наборе. Обучение включало последовательную настройку декодера и всей модели на данных Muharaf и Nakba, а также слияние контрольных точек SLERP. Модель рассчитана на связное курсивное письмо, различия почерков и ухудшение качества старых документов. Контекст составляет до 128 000 токенов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

dbmdz/bert-base-historic-multilingual-64k-td-cased — многоязычная модель семейства BERT, опубликованная командой dbmdz для работы с историческими текстами. Она предобучена на корпусах Europeana и British Library, включающих OCR-тексты на немецком, французском, английском, финском и шведском языках; размер итогового обучающего корпуса составляет 130 ГБ. Вариант использует словарь из 64 тысяч подслов и сохраняет регистр символов. Модель подходит для предсказания замаскированных токенов и может служить основой для дообучения на распознавание именованных сущностей в исторических документах. Это BERT с архитектурой BertForMaskedLM и 162,4 млн параметров; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — MIT.