I.3Извлечение и структурирование данных

Карточка модели gonghao1234/Qwen3-VL-4B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-4B-Instruct, поэтому описание составлено по ней. Qwen3-VL-4B-Instruct — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также предназначена для понимания видео и временных событий; в ответ генерирует текст. Модель доступна как репозиторий весов в формате safetensors и рассчитана на диалоговое использование через Transformers. Модель подходит для визуальных вопросов и ответов, распознавания и разбора текста на изображениях, анализа видео, пространственного рассуждения, мультимодальных STEM-задач и управления интерфейсами с вызовом инструментов. В README заявлены контекст 256 тысяч токенов с возможностью расширения до миллиона и OCR на 32 языках. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных данных и объединение многоуровневых визуальных признаков DeepStack. Лицензия Apache-2.0. Это вариант Instruct, предназначенный для применения в мультимодальных диалоговых сценариях; качество зависит от задачи и входных данных, а заявленные возможности не сопровождаются в карточке результатами бенчмарков.

Карточка модели karanjaWakaba/Qwen3-VL-4B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen3-VL-4B-Instruct, поэтому описание составлено по ней. Qwen3-VL-4B-Instruct от Unsloth — весовой репозиторий мультимодальной модели для диалога и задач с изображениями и видео. Это дообученная версия Qwen/Qwen3-VL-4B-Instruct с плотной архитектурой Qwen3-VL и примерно 4 млрд параметров; модель распространяется в формате safetensors и работает с библиотекой Transformers. Модель принимает текст и изображения, отвечает текстом и поддерживает визуальное рассуждение, OCR, анализ видео, понимание пространственных отношений и взаимодействие с инструментами. В README заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Также описаны сценарии визуального управления интерфейсами и генерации кода или разметки по визуальному примеру. Лицензия — Apache-2.0. README не содержит численных результатов раздела производительности; заявленные преимущества и возможности следует считать описанием разработчика, а качество проверять на целевых данных.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen и представленная в виде репозитория весов. Она принимает изображения и текст и формирует текстовые ответы; версия Thinking предназначена для задач, где требуется визуальное и логическое рассуждение. Модель работает через библиотеку Transformers, поддерживает диалог и интерфейс вызова инструментов. Контекст составляет 256 тысяч токенов с возможностью расширения до 1 миллиона. Модель предназначена для распознавания и анализа изображений, OCR, понимания видео, пространственных вопросов, STEM-задач и взаимодействия с графическими интерфейсами. README также описывает генерацию разметки Draw.io и кода HTML/CSS/JS по изображениям и видео. Среди заявленных особенностей — обработка временных меток в видео, распознавание текста на 32 языках и объединение визуальной и текстовой информации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Размер модели — 4 млрд параметров. Это компактная плотная модель, однако для обработки изображений, видео и длинного контекста нужны соответствующие вычислительные ресурсы. В карточке не приведены количественные результаты бенчмарков; заявленные возможности не заменяют проверку качества на конкретных данных и сценариях.

AliFartout/Roberta-fa-en-ner — модель для распознавания именованных сущностей в английском и персидском тексте. Она разработана на базе XLM-RoBERTa и дообучена для классификации токенов на объединённых данных CoNLL 2003 для английского и PEYMA-ARMAN-Mixed для персидского. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метки для токенов; длина контекста составляет 514 токенов. Модель подходит для извлечения сущностей из документов и текста на английском и персидском языках. В README приведён результат F1 около 94% после третьей эпохи, но не уточнено, относится ли он к отдельному языку или к объединённой оценке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

RoBERTa_Test_Training — дообученная ICT2214Team7 модель DistilRoBERTa для классификации токенов. Она обучена на датасете CoNLL-2003 и предназначена для разметки последовательностей, в частности для задач распознавания сущностей в тексте. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает контекст длиной до 514 токенов. Опубликована в формате Safetensors по лицензии Apache-2.0. В README приведены результаты на оценочной выборке: F1 0,9529, точность 0,9880, precision 0,9508 и recall 0,9550. Эти показатели относятся к указанной оценочной выборке; подробности разбиения данных и ограничения применения не описаны.

RT-DETR-L_wireless_table_cell_det — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она находит и размечает области ячеек ограничивающими рамками; эти рамки передаются следующим этапам распознавания таблиц для извлечения структуры и содержимого. Модель предназначена для использования как компонент конвейеров распознавания таблиц и анализа документов PaddleOCR, включая General Table Recognition V2 и PP-StructureV3. Карточка указывает, что приведённая точность получена при совместном тестировании с RT-DETR-L_wired_table_cell_det. Для полноценного преобразования таблицы в HTML или Excel требуются дополнительные модули распознавания структуры и текста. Репозиторий распространяется по лицензии Apache-2.0.

RT-DETR-L_wireless_table_cell_det_onnx — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она предназначена для модуля распознавания таблиц: находит области отдельных ячеек и формирует ограничивающие рамки, которые затем могут использоваться в последующих этапах анализа структуры и содержимого таблицы. Разработчик — команда PaddlePaddle; модель интегрируется с PaddleOCR и поддерживает запуск через ONNX Runtime. Модель основана на RT-DETR-L, имеет размер около 124 МБ и предназначена для обработки изображений. В README указаны языки en и zh, однако для самого обнаружения ячеек языковая поддержка напрямую не характеризуется. Заявленная Top-1 accuracy составляет 82,7%; время инференса — 35 мс в обычном режиме и 10,45 мс в высокопроизводительном режиме на GPU, а на CPU — 495,51 мс. Эти показатели относятся к совместному тестированию с RT-DETR-L_wired_table_cell_det. Модель подходит для автоматического выделения ячеек в изображениях таблиц перед их распознаванием. Ограничения включают отсутствие в README сведений о размере контекста, точном наборе данных, поддерживаемых форматах изображений и качестве на отдельных типах таблиц. Модель распространяется по лицензии Apache-2.0.

SlavicNLP разработала базовую модель распознавания именованных сущностей, обученную на кросс-тематическом разбиении корпуса SlavicNER. Модель построена на архитектуре XLM-RoBERTa и предназначена для разметки сущностей в тексте на славянских языках. Модель содержит 658,7 млн параметров, работает с контекстом до 514 токенов и доступна в формате Safetensors для библиотеки Transformers. Поддерживаются польский, русский, украинский, болгарский, чешский и словенский языки. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

SLIMER (Show Less Instruct More Entity Recognition) — языковая модель на архитектуре LLaMA, разработанная для извлечения именованных сущностей из английского текста в режиме zero-shot. Она получает текст и инструкцию с типом сущности, её определением и рекомендациями по разметке, а затем возвращает найденные сущности в виде JSON-списка. Такой подход рассчитан на работу с типами сущностей, которых не было среди обучающих меток; в README отмечены результаты на доменах, отличающихся от обучающих, включая финансовые данные. Модель содержит 6,6 млрд параметров, использует формат safetensors и имеет контекстное окно 4096 токенов. README указывает на дообучение инструкциями на сокращённом наборе примеров; лицензия в метаданных обозначена как llama2. Модель предназначена прежде всего для извлечения сущностей, а не для произвольного диалога. Она может ошибаться на неоднозначных упоминаниях и зависит от качества определения сущности и рекомендаций в запросе.

tomaarsen разработал SpanMarker на базе энкодера bert-base-cased для распознавания именованных сущностей. Модель обучена на FewNERD, CoNLL2003 и OntoNotes v5 и предназначена для обнаружения организаций (ORG) в англоязычном тексте. Она принимает последовательности длиной до 256 токенов и распознаёт сущности длиной до 8 слов. Для класса ORG указаны precision 0,7958, recall 0,7936 и F1 0,7947. Модель можно применять для извлечения названий компаний, учреждений и других организаций из предложений и документов, а также дообучать на собственных данных. Лицензия — CC BY-SA 4.0.

Модель asahi417/tner-xlm-roberta-base-ontonotes5 разработана Асахи Усио и представляет собой XLM-RoBERTa, дообученную для распознавания именованных сущностей методом классификации токенов. Она предназначена для выделения в английском тексте сущностей и отнесения их к классам людей, организаций, мест и прочих объектов; выходные метки используют схему BIO. Модель основана на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Максимальная длина контекста — 514 токенов. Её можно применять напрямую для NER или вместе с библиотекой tner. В карточке указана только поддержка английского языка. Предсказания могут отражать стереотипы и предвзятость в отношении защищённых групп и социальных характеристик. Лицензия в карточке не определена, поэтому условия использования следует уточнить у автора модели.

srv-sngh подготовил для среды Krill на Apple Silicon квантованную сборку модели baidu/Unlimited-OCR, основанной на DeepSeek-OCR. Это мультимодальная модель для распознавания текста и разбора документов по изображениям с выдачей текстового результата, привязанного к содержимому страницы. Архитектура включает языковую основу DeepSeek-MoE и визуальный энкодер DeepEncoder на базе SAM-ViT-B, CLIP-L и проектора; размер модели по метаданным — 559,7 млн параметров, контекст — 32 768 токенов. Сборка использует смешанную точность: эксперты MoE квантованы в nvfp4, а внимание, плотные слои и линейные слои визуального энкодера — в 8-битный формат. В описанном режиме модель обрабатывает одну страницу с глобальным представлением изображения; режим разбиения больших или плотных сканов на фрагменты указан как будущая возможность. Для запуска предназначен Krill со Swift и MLX на Apple Silicon; контрольная точка не является готовой для Transformers. Лицензия — MIT.

UTC-T5-large — универсальная модель классификации токенов от Knowledgator, основанная на flan-T5-large и дообученная на нескольких задачах разметки токенов и задачах, которые можно представить в таком виде. Это prompt-tuned модель с архитектурой T5EncoderForTokenClassification, примерно 385,2 млн параметров и контекстом до 512 токенов. Модель предназначена прежде всего для извлечения информации: распознавания именованных сущностей, ответов на вопросы по тексту, извлечения отношений и разрешения кореференции. README также упоминает очистку и суммаризацию текста. Многоцелевое дообучение нацелено на обобщение и zero-shot NER; авторы рекомендуют запускать модель через pipeline ner библиотеки Transformers. Модель принимает текст и выдаёт классификацию токенов. В метаданных указан английский язык. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Карточка не приводит оценок качества на конкретных наборах данных; контекст в 512 токенов ограничивает длину входного текста.

cmhyo/xlm-roberta-base-finetuned-panx-it — дообученная модель семейства XLM-RoBERTa для классификации токенов. Она предназначена для разметки последовательностей, в частности для распознавания именованных сущностей. В README указаны результаты оценки: F1 0,8348 и loss 0,2473; датасет не назван. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForTokenClassification и формат safetensors. Базовая модель — FacebookAI/xlm-roberta-base, длина контекста — 514 токенов. Распространяется по лицензии MIT.

Davlan/xlm-roberta-base-ner-hrl — модель распознавания именованных сущностей, разработанная на основе XLM-RoBERTa base и дообученная для NER на текстах новостных статей на десяти языках. Она размечает токены как сущности типа «персона», «организация» или «место» и подходит для извлечения таких упоминаний из новостных текстов. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает текст с контекстом до 514 токенов. Поддерживаются арабский, немецкий, английский, испанский, французский, итальянский, латышский, нидерландский, португальский и китайский языки. Распространяется по лицензии AFL-3.0. Обучение на размеченных новостях определённого периода может ограничивать переносимость на другие жанры и предметные области.

EvanD/xlm-roberta-base-ukrainian-ner-ukrner — модель распознавания именованных сущностей на базе XLM-RoBERTa, дообученная на украинском наборе данных NER из Flair. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для токенов; контекст — до 514 токенов. Она предназначена для извлечения сущностей из украинских текстов, например имён людей и географических названий. В README приведены результаты тестирования на украинском NER: macro F1 0,990 и macro precision 0,939. Модель доступна в формате PyTorch для использования с Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Davlan/xlm-roberta-base-wikiann-ner — многоязычная модель распознавания именованных сущностей, разработанная Davlan на основе XLM-RoBERTa и дообученная на датасете WikiANN. Модель содержит 305,2 млн параметров, принимает текст и классифицирует токены с контекстом до 514 токенов. Она предназначена для извлечения из текста имён людей (PER), организаций (ORG) и географических объектов (LOC) на 20 языках. Подходит, например, для разметки новостных статей и извлечения сущностей из многоязычных текстовых коллекций. Качество зависит от сходства текста с новостными данными WikiANN: результаты могут хуже переноситься на другие предметные области. Лицензия в предоставленных данных не указана.

MMG/xlm-roberta-large-ner-spanish — модель XLM-RoBERTa-large, дообученная для распознавания именованных сущностей в испанском тексте на испанской части набора CoNLL-2002. Она размечает текст на уровне токенов и подходит для извлечения сущностей из документов и других испаноязычных текстов. Архитектура — XLM-RoBERTa для классификации токенов; размер модели — 658,7 млн параметров, длина контекста — 514 токенов. В карточке указана оценка F1 89,17 на тестовой части CoNLL-2002. Модель опубликована в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Zen Designer GGUF — мультимодальная модель семейства Zen от Hanzo AI и Zoo Labs Foundation, дообученная на основе Qwen/Qwen3-VL-235B-A22B-Instruct, обработанная методом abliteration и выпущенная в формате GGUF. Это MoE-модель на 235 млрд параметров, из которых активно 22 млрд; заявленная длина контекста — 256 тыс. токенов. В репозитории указаны варианты квантизации Q2_K и Q4_K_M, а метаданные также отмечают GGUF F16. Модель предназначена для диалогов и анализа изображений, видео, документов, диаграмм, таблиц и интерфейсов, включая OCR, пространственное понимание и навигацию по GUI. README сообщает о поддержке временных рассуждений по видео и визуального определения областей. Поддерживаемые языки по метаданным: английский, китайский, японский, корейский, французский, немецкий, испанский, португальский, итальянский и русский; в карточке отдельно не выделен основной язык. Abliteration удаляет заложенные в весах отказы, поэтому поведение модели может быть менее безопасным; автор рекомендует задавать правила поведения на уровне приложения. Для локального запуска предлагается llama.cpp с отдельным файлом mmproj для визуального ввода. Модель распространяется по лицензии Apache-2.0.

893ImagesJson — дообученная на неизвестном наборе данных модель naver-clova-ix/donut-base от Sagarjha456. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображений в текст; карточка сообщает значение loss 0.4844 на наборе оценки. Подходящие сценарии — извлечение текста и структурированных сведений из изображений документов. Модель распространяется в формате safetensors по лицензии MIT. Описание не приводит подробностей о наборе данных, языках, качестве на конкретных типах документов или дополнительных ограничениях.

Модель Surrey NLP — версия ALBERT large v2, дообученная для классификации токенов на наборе PLOD-unfiltered. Она предназначена для распознавания и разметки сущностей в англоязычном тексте; README сообщает о F1 0,9632, точности 0,9589, precision 0,9655 и recall 0,9608 на оценочной выборке. Модель использует архитектуру ALBERT и принимает текстовые последовательности длиной до 512 токенов. Доступна в форматах PyTorch и Safetensors, лицензия Apache-2.0. Подробности о типах меток и ограничениях в карточке не раскрыты.

Ali-0111/applied-nlp-ner-stage4-distilbert — модель распознавания именованных сущностей на основе distilbert-base-cased, дообученная командой или автором Ali-0111 для прикладной задачи NER. Она классифицирует токены текста, выделяя сущности, включая суммы, профессии и местоположения. Модель подходит для извлечения таких данных из текстовых документов; контекст составляет 512 токенов. На тестовом наборе Stage 4 модель получила F1=0,742 и accuracy=0,903; для метки AMOUNT F1 составляет 0,867, для JOB — 0,781, для LOCATION — 0,740. Итоговый F1 ниже результата Stage 3 (0,803), согласно карточке из-за изменения данных. Модель опубликована в формате safetensors. Лицензия в метаданных обозначена как unknown.

MatinAsgarov выпустил четвёртую версию модели для распознавания именованных сущностей в английском тексте. Это дообученная DistilBERT-base-cased с архитектурой DistilBertForTokenClassification и примерно 65,2 млн параметров; она принимает текст и выдаёт метки для токенов, объединяемые в сущности PERSON, ORGANIZATION, LOCATION, PRODUCT и WORKOFART. Контекст модели составляет 512 токенов. Модель обучалась с повторным включением примеров, содержащих PRODUCT и WORKOFART, и с выбором лучшего чекпойнта по F1. На тестовом разделении из 119 записей её F1 составил 0,717; проверка на 20 внераспределённых предложениях показала улучшения распознавания некоторых организаций и границ многословных сущностей, но также сохраняются ошибки классификации и неоднозначности. Модель подходит для извлечения сущностей из английских текстов, например новостей и коротких документов. Лицензия в метаданных указана как unknown.

AraBERT-NER — модель Mostafa Ahmed разработана на базе предварительно обученной AraBERT и дообучена для распознавания именованных сущностей в арабском тексте. Она присваивает метки отдельным токенам, выявляя, например, имена людей, организации, географические названия и другие сущности. Модель предназначена для извлечения сведений из арабских документов, разметки текста, категоризации документов и построения систем NER. В карточке указана оценка на тестовой выборке CoNLL-NER-AR: F1 0,859, точность 0,954, precision 0,855 и recall 0,863. Архитектура — BERT для классификации токенов, размер — 162,4 млн параметров, контекст — до 512 токенов. Модель поддерживает арабский язык, распространяется в формате Safetensors и доступна по лицензии MIT.

Модель serpapi/bert-base-local-results — классификатор текстовых фрагментов из карточек Google Local Listings, разработанный SerpApi на базе BERT с использованием библиотеки Hugging Face. Она присваивает фрагментам категории, такие как адрес, телефон, рейтинг, число отзывов, часы работы, описание, тип заведения и варианты услуг, чтобы помогать разбирать результаты локального поиска Google. Модель предназначена для извлечения и структурирования сведений о местных компаниях и заведениях, в том числе при обработке результатов SerpApi Google Local API и Google Local Pack API. Она принимает текст на английском языке и возвращает метку класса; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель умеет работать с короткими и неполными фрагментами, семантически похожими значениями и текстом с грамматическими ошибками; также может выдавать оценку уверенности. Лицензия — MIT. Модель не классифицирует название заведения и поле label, может путать некоторые категории, например часы работы, описание, отзывы, рейтинг и варианты услуг. Для отдельных неоднозначных или коротких фрагментов полезна проверка оценки уверенности и дополнительная обработка правилами. Модель рассчитана на английские объявления и не предназначена для объявлений на других языках.

HooshvareLab/bert-base-parsbert-ner-uncased — персидская модель распознавания именованных сущностей на основе архитектуры BERT-Base. Она классифицирует каждый токен текста, присваивая ему метку сущности в формате IOB; карточка описывает варианты обучения на наборах ARMAN и PEYMA, отдельно и в комбинации. Среди распознаваемых категорий — люди, организации, места, даты, время, деньги, проценты, объекты и события. Модель предназначена для извлечения сущностей из персидских текстов, например для структурирования новостей и документов или подготовки данных для поиска. Это монолингвальная uncased-модель с whole-word masking, примерно 190 млн параметров и контекстом до 512 токенов. В карточке приведены результаты F1 для ARMAN и PEYMA, включая 95,13 для объединённого набора; результаты относятся к описанным наборам данных и не гарантируют такую же точность на других текстах. Лицензия — Apache-2.0.

HooshvareLab/bert-fa-base-uncased-ner-arman — персидская модель распознавания именованных сущностей на базе ParsBERT v2.0, разработанная HooshvareLab. Это BERT-модель с классификационной головой для разметки токенов: она выделяет в тексте организации, места, объекты инфраструктуры, события, продукты и имена людей в формате меток IOB. Модель дообучена на корпусе ARMAN; в README также упоминается корпус PEYMA как один из основных наборов данных для персидского NER. Модель предназначена для извлечения сущностей из персидского текста, например при индексировании документов и подготовке данных для поиска. Контекст составляет до 512 токенов; доступны версии весов для PyTorch, TensorFlow и Flax. В README приведён результат F1 99,84 для ParsBERT v2 на ARMAN. Лицензия — Apache-2.0. Показатель приведён авторами карточки и относится к указанному набору данных; качество на иных текстах может отличаться.

shimogerald/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Модель основана на google-bert/bert-base-uncased и распространяется в формате Safetensors. На указанном в карточке наборе для оценки модель достигла F1 0,9463, точности 0,9421, полноты 0,9505 и accuracy 0,9892. Датасет и набор меток не описаны, поэтому неизвестно, какие именно типы сущностей она распознаёт и насколько результаты применимы к другим данным. Лицензия — Apache-2.0.

Vixez/bert-finetuned-ner — модель на архитектуре BERT, дообученная для распознавания именованных сущностей в тексте. Она предназначена для разметки токенов и может использоваться в конвейерах извлечения сущностей из текстов. Модель содержит 12,1 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors. В карточке приведены результаты оценки: precision 1,0, recall 0,9967, F1 0,9983 и accuracy 0,9999. Датасет, набор меток и языки не описаны, поэтому результаты нельзя уверенно переносить на другие данные и сценарии. Лицензия в доступных сведениях не указана.

marquesafonso/bertimbau-large-ner-selective — модель для распознавания именованных сущностей в текстах на португальском языке. Она основана на крупной версии BERTimbau и предназначена для разметки токенов по пяти классам: люди, организации, места, время и значения. В карточке указано, что использован вариант BERT-CRF для selective-сценария из папки ner_evaluation исходного репозитория BERTimbau. Модель имеет архитектуру BERT для классификации токенов, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Она подходит для извлечения сущностей из португалоязычных текстов, но карточка не приводит оценок качества или подробностей обучения.