I.3Извлечение и структурирование данных

FABLE (Fiction Adapted BERT for Literary Entities) — модель распознавания именованных сущностей в художественных текстах, разработанная Shawn Rushefsky при финансировании Salad Technologies. Это трансформер на архитектуре DeBERTa v3, дообученный на Fiction-NER-750M; в репозитории указано 211,6 млн параметров и контекст до 512 токенов. Модель размечает английский текст в формате BIO, выделяя персонажей, места, объекты, события, организации, учреждения и другие сущности. Модель предназначена для анализа романов и рассказов: например, для извлечения персонажей и мест из текста или подготовки данных для литературных исследований. По карточке, F1 на валидации составляет около 0,752. Обучающие тексты охватывают широкий диапазон эпох, но непропорционально часто представлены авторы — белые мужчины, писавшие до движения за гражданские права; современная коммерческая проза почти не представлена. Лицензия — MIT.

Feraoun-Pro — модель OCR на 51 млн параметров от автора репозитория agbalu, предназначенная для распознавания строк печатного кабильского языка по изображениям. CTC-модель одним проходом читает латинскую орфографию и неотифинаг, не требуя заранее выбирать систему письма. В словаре 173 символа, включая ţ и Ţ, а переменная ширина входного изображения поддерживается до 1024 пикселей. Модель можно использовать для оцифровки строк из кабильских книг, грамматик, периодики и архивных материалов; лицензия — Apache-2.0. В описанной оценке на синтетически отрисованных строках CER составила 7,34% для латиницы и 0,91% для неотифинага; точное совпадение всей строки — 81,77%. Эти результаты не показывают качество на реальных сканах: оценка проведена на синтетических данных из того же набора шрифтов, что и обучение. Модель не предназначена для рукописей, других языков, персональных решений или полноценного разбора многоколоночной разметки страницы; распознавание пунктуации и границ пробелов также ненадёжно.

edmundhui/mental_health_trainer — модель классификации текста на основе BERT, дообученная автором на наборе reddit_mental_health_posts. Она предназначена для классификации текстов о психическом здоровье. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель выпущена под лицензией Apache-2.0. Карточка не описывает метки классов, метрики качества и оценку пригодности для клинического использования; результаты не следует считать медицинским заключением.

merve/rfdetr-docvqa-media3-v2 — модель обнаружения объектов, дообученная на основе Roboflow/rf-detr-base с помощью библиотеки Transformers. Название указывает на применение к документам и изображениям Media3, однако карточка не описывает целевой набор данных или классы объектов, поэтому назначение по названию нельзя подтвердить. Модель принимает изображения и выдаёт обнаруженные объекты с их локализацией. В README приведены низкие значения метрик обнаружения на наборе оценки: mAP 0,0037 и mAP@50 0,0137. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Koichi Yasuoka разработал компактную RoBERTa для морфологической разметки японского текста. Модель дообучена на основе KoichiYasuoka/roberta-small-japanese-aozora и использует предобучение на текстах 青空文庫. Она присваивает каждому длинному слову универсальную часть речи UPOS и предназначена для разметки последовательностей и анализа японского текста. Модель содержит 74,3 млн параметров, работает с архитектурой RoBERTa и поддерживает контекст до 128 токенов. Её можно применять через библиотеку esupar для POS-разметки; в карточке также указана задача синтаксического анализа зависимостей для исходной модели. Лицензия — CC BY-SA 4.0. Ограниченный размер контекста и специализация на японском языке сужают область применения.

Это исследовательский чекпойнт whr778, созданный для эксперимента с масштабированием данных и инициализацией голов извлечения событий. В основе — энкодер mmBERT-base от jhu-clsp с новыми головами GLiNER2, прогретыми на примерно 40 тысячах многоязычных записей о событиях и их аргументах в течение пяти эпох. Для обучения использовалось окно контекста 2048 токенов. Модель предназначена как промежуточная инициализация для последующего дообучения под извлечение событий или другую задачу извлечения структурированной информации. Это не готовая модель для конкретной downstream-задачи и не универсальный извлекатель; README приводит RAMS как пример последующего дообучения. Качество разметки ограничено исходными корпусами событий, а сама модель не оценивалась как универсальная. Лицензия в доступных данных не указана.

Модель TrOCR для распознавания рукописных текстовых строк в средневековых латинских документах. Разработана Jonas Widmer и Tobias Hodel в рамках Digital Humanities@University of Bern на базе microsoft/trocr-base-handwritten; архитектура — vision-encoder-decoder, реализована с Transformers и сохранена в форматах PyTorch и safetensors. Модель предназначена для HTR/OCR отдельных обрезанных строк из грамот и книг. Объединённые обучающие данные охватывают разные средневековые латинские почерки из проектов CREMMA, HIMANIS, Itinera Nova и Charters and Records of Königsfelden. В README приведён показатель CER 0,0329 на оценке строк. Для обработки целой страницы сначала требуется сегментация на строки. Модель не проходила обширное тестирование, а возможные смещения ещё предстоит определить. Лицензия модели — MIT; лицензии исходных наборов данных включают CC-BY 4.0, поэтому при использовании данных следует учитывать их условия.

toyin88/u2t01-bert-qa — модель на основе BERT, разработанная в рамках проекта U2T01 по адаптации BERT для задач NLP. Она дообучена на SQuAD v1.1 для извлекающего ответа на вопросы: по вопросу и контексту модель находит начальную и конечную позиции фрагмента с ответом. Использованы архитектура BertForQuestionAnswering, библиотека Transformers и формат safetensors; размер модели — 136,7 млн параметров, длина контекста — до 512 токенов. Модель предназначена для учебных и исследовательских сравнений методов адаптации и как отправная точка для смежных задач на английском языке. При дообучении обновлялись слои энкодера и голова ответа, а матрица эмбеддингов оставалась замороженной. На тестовой выборке указаны F1 47,74 и exact match 37,30; обучение проводилось на подвыборке SQuAD, поэтому эти результаты ниже опубликованных показателей на полном наборе. Модель работает только с английскими текстами и контекстами Википедии, всегда возвращает фрагмент и не умеет сообщать, что ответа нет. Результаты зависят от случайного seed, а унаследованные от базового BERT ассоциации не устранялись. Лицензия — Apache-2.0.

SingularityUS разработала эту модель как дообученную версию Whisper large-v3-turbo для транскрибации английской речи в радиопереговорах управления воздушным движением. Это модель распознавания речи на базе архитектуры Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers. На проверочной выборке из 2 024 примеров ATCO2 и ATCoSIM она показала WER 7,83% и CER 3,58% при нормализации текста. По данным карточки, относительное снижение WER составило около 39% по сравнению с предыдущей дообученной моделью Whisper small. Модель предназначена для расшифровки английских переговоров по авиационной УКВ-связи. Проверочная выборка преимущественно содержит чистую студийную запись, поэтому в реальном эфире с шумами точность будет ниже; авторы ограничивают применение исследовательскими и не связанными с безопасностью сценариями. Лицензия указана как other, конкретные условия в карточке не приведены.

Koichi Yasuoka подготовил эту модель BERT для тибетского языка на основе Tibetan-BERT-wwm, уточнив токенизатор для использования с PyTorch. Модель содержит 136,2 млн параметров, принимает последовательности длиной до 512 токенов и обучена на тибетских текстах. Основная задача модели — предсказывать замаскированные токены в тексте. Её можно дообучать для последующей разметки частей речи, синтаксического анализа зависимостей и других задач обработки тибетского языка. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Карточка модели dbmdz/bert-small-historic-multilingual-cased на Hugging Face совпадает с карточкой dbmdz/bert-tiny-historic-multilingual-cased, поэтому описание составлено по ней. dbmdz/bert-tiny-historic-multilingual-cased — компактная многоязычная модель семейства BERT от команды dbmdz, обученная на исторических текстах. Она предназначена для предсказания замаскированных токенов в тексте и может служить компактной основой для обработки исторических документов. Модель имеет архитектуру BertForMaskedLM, 2 слоя и скрытый размер 128; содержит около 4,6 млн параметров и принимает последовательности длиной до 512 токенов. В обучающие корпуса вошли исторические материалы на немецком, французском, английском, финском и шведском языках, включая данные Europeana и Британской библиотеки. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Компактный размер облегчает запуск и дообучение на ограниченных ресурсах. По сравнению с крупными BERT-моделями её возможности и ёмкость ограничены; карточка описывает предобучение, но не приводит оценок качества для конкретных прикладных задач. Лицензия — MIT.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2 — англоязычная модель семейства BERT, дообученная Mardiyyah на наборе данных Mardiyyah/TAPT_CeLLaTe2.0 поверх microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для заполнения пропусков в англоязычных биомедицинских текстах: модель предсказывает замаскированные слова с учётом окружающего контекста. Архитектура — BertForMaskedLM, размер — 136,7 млн параметров, длина контекста — до 512 токенов; веса доступны в формате safetensors. На указанной в карточке оценочной выборке приведены loss 1,0382, accuracy 0,7691 и perplexity 2,8240. Модель подходит для анализа и дополнения биомедицинской литературы, в частности аннотаций и полных текстов публикаций. Эти метрики относятся только к оценочной выборке из карточки и не гарантируют качество на других корпусах или клинических сценариях. Лицензия — Apache-2.0.

sakib078/distilbert-base-uncased-finetuned-imdb — дообученная модель DistilBERT для заполнения пропусков в тексте. Она использует архитектуру DistilBertForMaskedLM и предназначена для восстановления скрытых токенов по окружающему контексту; максимальная длина контекста составляет 512 токенов. Модель создана на базе distilbert/distilbert-base-uncased и доступна в формате safetensors. В README указано дообучение на наборе данных, который не идентифицирован, и приведено значение loss 2.4917 на оценочной выборке. Несмотря на имя репозитория с упоминанием IMDb, карточка не подтверждает специализацию на анализе отзывов или классификации тональности. Лицензия — Apache-2.0.

Bartek7630/FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1-VIDEO — модель Hugging Face, дообученная на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct с использованием TRL. Это компактная мультимодальная модель для диалоговых задач с изображениями и видео; каталог указывает поддержку обработки изображения с выдачей текста. Название и карточка связывают дообучение с извлечением информации о еде, однако README не описывает конкретные поля или формат извлечения. Модель распространяется в формате safetensors; лицензия, языки и ограничения в предоставленных данных не указаны.

GeoBERT — модель распознавания именованных сущностей в геонаучных текстах, созданная дообучением SciBERT на размеченном корпусе Labeled Geoscientific Corpus объёмом около миллиона предложений. Она использует архитектуру BERT и классифицирует токены по четырём типам: геонаучные термины (GeoPetro), инструменты и методы (GeoMeth), геологические местоположения (GeoLoc) и элементы геохронологической шкалы (GeoTime). Модель подходит для извлечения и категоризации этих сущностей из научных текстов о геонауках. В README приведены значения F1 от 0,9445 до 0,9756 для четырёх категорий на оценке seqeval. Модель содержит 137,1 млн параметров, рассчитана на контекст до 512 токенов и опубликована в формате TensorFlow. Карточка не указывает отдельную лицензию; языковые теги также не позволяют надёжно определить язык обучающих данных. Практическое применение ограничено распознаванием описанных геонаучных категорий, поэтому качество на других предметных областях и языках не подтверждено.

Модель iharrisonfu/hksuicide-extractor-llama-16b разработана iharrisonfu и представляет собой дообученную плотную авторегрессионную модель семейства Llama для генерации текста. Она обучена на основе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Заявленное назначение связано с извлечением сведений о суициде, однако карточка не описывает конкретные данные обучения, формат запросов или проверенные сценарии применения. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; родной контекст составляет 8192 токена. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества и ограничения применения, поэтому пригодность для клинических решений или кризисной поддержки не установлена.

mrm8488 разработал испаноязычную модель Longformer на базе RoBERTalex для работы с длинными юридическими документами. Это RoBERTa-подобная модель с 153,2 млн параметров, дообученная на задаче masked language modeling на корпусах испанского юридического домена; её основная задача — заполнение масок в тексте. Longformer сочетает локальное скользящее окно внимания с глобальным вниманием, которое настраивается пользователем под конкретную задачу. Модель принимает текстовые последовательности длиной до 8194 токенов и предназначена для анализа испанских юридических текстов, включая подстановку пропущенных слов в длинных документах. Распространяется под лицензией MIT. Карточка предупреждает о возможных смещениях и нежелательных искажениях у моделей семейства RoBERTalex; ответственность за оценку рисков и соблюдение применимых правил лежит на пользователях и разработчиках систем на её основе.

Masinissa-31M — это 30,9-миллионная модель маскированного языкового моделирования для кабильского языка (Taqbaylit, код kab), разработанная AƔBALU и обученная с нуля на корпусе из примерно 3,04 млн предложений. Она использует двунаправленный энкодер архитектуры LTG-BERT / GPT-BERT с 12 слоями, скрытым размером 384 и шестью головами внимания; контекст — до 512 токенов. Модель предсказывает замаскированные фрагменты текста и формирует представления предложений и токенов. Модель предназначена для кабильского NLP: классификации токенов и последовательностей, извлечения представлений для поиска и кластеризации, а также последующего дообучения под конкретные задачи. На тестовой выборке UD_Kabyle-ADPT линейная голова поверх замороженного энкодера показала 90,51% точности POS-разметки по поверхностным токенам; устойчивость проверялась также на тексте с типичными подменами похожих символов. Репозиторий распространяется по лицензии Apache-2.0. Masinissa-31M не предназначена для генерации текста или перевода и не рассчитана на другие языки. Оценка ограничена одной POS-задачей и одним деревом зависимостей; модель переобучена на доступных уникальных текстах, испытывает трудности с представлением кабильской морфологической смены состояния и не прошла оценку безопасности или смещений.

Qwen2.5-VL-7B-Meteorology-i1-GGUF — квантованные GGUF-версии мультимодальной модели deepguess/Qwen2.5-VL-7B-Meteorology, подготовленные mradermacher. Модель основана на Qwen2.5-VL с размером около 7 млрд параметров и предназначена для работы с изображениями и текстом в метеорологических, погодных и климатических сценариях. В README указан английский язык, однако сведения о полном наборе поддерживаемых языков отсутствуют. Модель подходит для анализа метеорологических изображений и текстовых запросов, а также для задач image-to-text и связанных с ними приложений. Доступны варианты квантования от IQ1_S до Q6_K размером примерно от 2,0 до 6,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Рекомендуемыми в README названы варианты Q4_K_M и Q4_K_S; для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. Основные ограничения — возможное снижение качества на низких уровнях квантования, отсутствие в README данных о контекстном окне, результатах тестирования, точных архитектурных параметрах и гарантированной точности метеорологических выводов. Модель не следует рассматривать как замену профессиональным системам прогнозирования или экспертной проверке. Лицензия обозначена как qwen2.5-vl; в карточке также указана категория other и ссылка на лицензию Qwen2.5-VL-7B-Instruct.

Это модель Koichi Yasuoka для разметки частей речи в текстах на айнском языке. Она построена на RoBERTa, предварительно обученной на айнских текстах, и дообучена для классификации токенов: каждому слову присваивается тег UPOS из набора Universal Part-Of-Speech. Модель рассчитана на применение с Transformers и может использоваться в сценариях морфологической разметки; в README также указана связь с разбором зависимостей. Модель содержит 118,5 млн параметров, принимает текст и имеет контекстное окно 512 токенов. В обучающих текстах использовались записи айну катаканой, латиницей и кириллицей. Лицензия — CC BY-SA 4.0. Ограничения качества и точности разметки в карточке не описаны.

SillokBert — модель на архитектуре BERT, разработанная Институтом цифровых гуманитарных наук Академии корееведения в рамках проекта по созданию языковых моделей для корейских классических текстов. Она основана на bert-base-multilingual-cased и дополнительно дообучена методом masked language modeling на полном оригинальном тексте «Анналов династии Чосон» на классическом китайском языке. Модель содержит 205,1 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и предназначена прежде всего для предсказания пропущенных токенов в историческом тексте. SillokBert подходит для восстановления и корректуры фрагментов «Анналов», а также как основа для дальнейшей настройки классификаторов, распознавания именованных сущностей и семантического поиска по историческим материалам. Карточка указывает корейский и классический китайский языки; фактическая область обучения — оригинальный текст «Анналов». Модель распространяется по лицензии CC BY-SA 4.0. Её знания специализированы на лексике, письменном стиле и контекстах «Анналов династии Чосон». На современном корейском и на классических китайских текстах других эпох качество может быть ниже; предсказания могут отражать историческую перспективу элит, описывающих события в летописи.

jacktol выпустил дообученную версию Whisper Large v3 от OpenAI для распознавания речи в авиационных радиопереговорах. Модель принимает аудио и преобразует короткие сообщения пилотов и авиадиспетчеров в текст на английском языке. Дообучение на наборе ATC ASR Dataset адаптирует модель к авиационной терминологии и фразеологии, вариациям акцентов, неоднозначным формулировкам и шумным или искажённым передачам. В README заявлен показатель WER 6,5% на тестовом наборе; он не гарантирует такую же точность на других данных. Модель может применяться для транскрибации переговоров, поддержки систем управления воздушным движением, исследований и обучения. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; веса представлены в формате safetensors. Лицензия — MIT. Модель предназначена прежде всего для английской авиационной речи, а на речи из других областей может работать хуже; качество также снижается при очень плохом аудио и акцентах, недостаточно представленных в обучающих данных.

youngseok12 создал экспериментальную корейскоязычную модель для числового машинного чтения. Это плотная авторегрессионная модель семейства Llama на 6,8 млрд параметров с архитектурой LlamaForCausalLM и контекстом 32 768 токенов. Она получена дообучением skt/A.X-3.1-Light методом SFT с LoRA: адаптер объединён с исходными весами, поэтому отдельный адаптер для загрузки не нужен. Модель доступна в формате BF16 safetensors и работает с Transformers и vLLM; лицензия — Apache-2.0. Модель обучена на 3 000 примерах AI Hub 71568 из экономических и спортивных текстов. Она предназначена для экспериментального сравнения и извлечения числовых ответов из корейских статей: вычислений, сравнения величин и поиска границ или подсказок в тексте. Ответы выдаются в формате «정답: …» без объяснения хода решения. Публичные оценки на бенчмарках не заявлены; на простом тестовом вопросе модель выдала числовой ответ. Модель может давать неверные или не подтверждённые текстом ответы, поэтому её результаты требуют проверки. Она не заменяет профессиональную консультацию; README позиционирует её для исследований и контролируемого сравнения.

BioDistilBERT-uncased — языковая модель на базе DistilBERT-uncased, дообученная разработчиками репозитория в режиме continual learning на корпусе PubMed в течение 200 тысяч шагов. Она предназначена для подстановки пропущенных токенов в биомедицинских текстах и может помогать анализировать формулировки научных публикаций и аннотаций. Модель использует архитектуру DistilBERT с шестью слоями трансформера, скрытым размером и размером эмбеддингов 768, словарём из 30 522 токенов и примерно 65 млн параметров. Она принимает текст с маскированными словами и предсказывает вероятные замены; максимальный контекст составляет 512 токенов. Обучение на PubMed ориентирует её на биомедицинскую лексику, но карточка не подтверждает отдельную проверку качества на конкретных задачах. Модель распространяется в формате PyTorch по лицензии MIT.

CHATUtterance-zh_CN — модель проекта TalkBank, разработанная для сегментации высказываний в китайской речи. Это производная от BERT модель для классификации токенов, обученная на примерах диаризации высказываний из китайских корпусов CHILDES: ZhouAssessment, Zhang Personal Narrative и Li Shared Reading. Её можно применять как модель классификации токенов в Transformers или использовать вместе с набором инструментов TalkBank Batchalign в режиме transcribe для полного анализа. Модель содержит 129,5 млн параметров, работает с контекстом до 512 токенов и принимает текст, выдавая метки токенов. Она рассчитана на китайский язык; карточка не сообщает лицензию. Ее назначение специализировано на анализе речи и сегментации высказываний, поэтому перенос на другие языки и типы данных не подтверждён.

recobo/chemical-bert-uncased — англоязычная BERT-модель для текстов химической промышленности, разработанная Recobo путём дополнительного предобучения контрольной точки SciBERT. Модель обучалась на корпусе более чем из 40 тысяч технических документов, включая паспорта безопасности веществ и информационные документы о продукции, а также на 13 тысячах статей Википедии по химии; заявлены более 9,2 миллиона абзацев из химической области. Модель использует архитектуру BERT с головой masked language modeling и предназначена для заполнения пропусков в тексте: она предсказывает замаскированные слова, учитывая контекст с обеих сторон. Размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Подходит для подсказок при работе с химической документацией и языковых задач в химической отрасли. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Модель «みんなで翻刻 くずし字OCR» разработана для распознавания японских исторических документов. Она преобразует изображение одной вертикально набранной строки в текст транскрипции и одновременно отмечает структуру: фуригану, кунтэн, окончания и вставки варигaki. Архитектура — vision encoder-decoder: ConvNeXt V2-Base с обучаемыми двумерными позиционными эмбеддингами и декодер RoBERTa из 6 слоёв, размером 512 с 8 головами внимания. Вход — изображение строки размером 256 × 2048; словарь содержит 7 710 символов, включая старые и вариантные формы. Модель обучена на более чем миллионе строк и рассчитана на японские исторические материалы. В тестировании на 58 521 строке CER основного текста без учёта пробелов составил 0,0608; модель также выдаёт структурные теги. Она подходит для оцифровки кудзусидзи и подготовки транскрипций, но не находит строки на странице и не определяет порядок чтения. Модель хуже справляется с бухгалтерскими и табличными макетами и со вставками варигaki; ошибки заметно различаются между документами. Для загрузки требуется `trust_remote_code=True`, поскольку стандартный класс Transformers может отбросить позиционные параметры и снизить точность. Лицензия — CC BY-SA 4.0.

Карточка модели dascim/juribert-tiny на Hugging Face совпадает с карточкой dascim/juribert-base, поэтому описание составлено по ней. dascim/juribert-base — базовая версия семейства JuriBERT, разработанного исследователями École Polytechnique совместно с HEC Paris. Это плотная модель BERT с 137,8 млн параметров, обученная с нуля на французских юридических текстах: материалах Légifrance, обезличенных судебных решениях и документах дел Кассационного суда. Модель предназначена прежде всего для заполнения пропусков в тексте; её контекстные представления также можно использовать как признаки для последующих задач обработки юридических документов. JuriBERT ориентирована на французский язык и юридическую область. Длина контекста составляет 512 токенов. Модель доступна в формате safetensors и предназначена для использования с библиотекой Transformers. Лицензия — MIT. Обучение на специализированном корпусе делает модель подходящей для французской юридической терминологии и текстов, однако карточка не подтверждает качество на конкретных downstream-задачах. Контекст ограничен 512 токенами, поэтому длинные документы потребуется обрабатывать частями.

MiniLM Tekla Attribute Embeddings v1 — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория teknovizier на базе sentence-transformers/all-MiniLM-L12-v2. Она сопоставляет запросы на естественном языке с именами атрибутов Tekla Structures, кодируя тексты в векторы для семантического поиска и сравнения по косинусному сходству. Модель использует архитектуру BERT, содержит 40 млн параметров и выдаёт эмбеддинги размерностью 384. Метаданные указывают контекст до 512 токенов, а карточка модели рекомендует ограничивать последовательность 128 токенами. Обучение проводилось на 35 590 синтетических парах запросов и атрибутов Tekla Structures 2025; для сопоставления рекомендуется привести запросы и названия атрибутов к нижнему регистру, заменив подчёркивания и дефисы пробелами. Модель предназначена для поиска и сопоставления атрибутов Tekla Structures, например для преобразования запроса «bolt name from catalog» в подходящее имя атрибута. На других BIM- и инженерных системах и в задачах общего понимания языка она может работать хуже. Качество на реальных запросах может отличаться от качества на синтетических обучающих примерах. Лицензия — GNU GPL v3.0.

pai-dkplm-medical-base-zh — китайская медицинская языковая модель семейства DKPLM, разработанная командой Alibaba PAI и представленная в работе DKPLM: Decomposable Knowledge-enhanced Pre-trained Language Model for Natural Language Understanding. Это плотная архитектура BERT с головой masked language modeling, примерно 129,5 млн параметров и контекстом до 512 токенов. Модель предназначена для задач понимания китайского медицинского текста и предобучена с использованием знаний, разложимых на компоненты. Её основной сценарий — заполнение маскированных фрагментов текста; веса доступны в формате PyTorch для использования с Transformers. Лицензия — Apache-2.0.