I.3Извлечение и структурирование данных

TinyLLaVA-Qwen2.5-3B-SigLIP — компактная визуально-языковая модель, обученная с помощью кодовой базы TinyLLaVA Factory. В ней языковая часть основана на Qwen2.5-3B, а визуальный энкодер — на siglip-so400m-patch14-384; модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для вопросов и ответов по изображениям и мультимодальных диалогов. В README приведены результаты оценивания на VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME. Репозиторий использует формат safetensors, лицензия — Apache-2.0.

TohokuNLP BERT-alpha 500M — японская языковая модель типа encoder, разработанная исследователями Tohoku NLP Group. Она предназначена для анализа японского текста и обработки длинных последовательностей, включая восстановление замаскированных токенов и задачи классификации, ранжирования и поиска ответов на вопросы. Модель основана на архитектуре Llama без causal attention mask и использует SwiGLU, RoPE и GQA; в карточке указано 479,5 млн параметров, а длина контекста составляет 8192 токена. Обучение с нуля проводилось на японском подмножестве llm-jp-corpus-v3 с Whole Word Masking. В оценке JMTEB модель показывает результаты по классификации, кластеризации, сравнению пар, reranking, retrieval и семантическому сходству. Авторы отмечают, что длинноконтекстные encoder-модели, включая эту, уступают по ряду метрик более компактной bert-base-japanese-v3; результаты относятся к базовым моделям, а не к дообученным моделям эмбеддингов. Распространяется по лицензии Apache 2.0.

ViLegalBERT-ext — вьетнамская языковая модель для юридических текстов, разработанная как продолженное предобучение Qualcomm-AI-Research/BamiBERT. Это encoder архитектуры BERT-base с 12 слоями и целью masked language modeling в стиле RoBERTa; модель содержит около 103 млн параметров и принимает последовательности длиной до 2048 токенов. Токенизатор byte-level BPE позволяет обрабатывать исходный вьетнамский текст без отдельной предварительной сегментации слов. Модель предназначена для заполнения пропусков и как основа для дообучения на юридическую классификацию документов, распознавание именованных сущностей, ответы на вопросы и поиск по правовым материалам, а также сопоставление сходных текстов и пунктов договоров. Она обучена на очищенном корпусе вьетнамских юридических текстов объёмом 20,57 ГБ, около 7,15 млрд токенов. Для открытой генерации текста модель не предназначена. Лицензия указана как other. Известные ограничения: возможна слабая работа с нестандартными диалектами вьетнамского языка и влияние временного сдвига понятий; всесторонняя оценка на общих задачах не проводилась, а результаты downstream-бенчмарков ещё не опубликованы.

Vi-Qwen2-7B-RAG — модель AITeamVN, дообученная на базе Qwen/Qwen2-7B-Instruct для задач генерации с дополнением извлечёнными данными (RAG). Она рассчитана на работу с вьетнамскими документами и вопросами: извлекает полезную информацию из шумного контекста, отказывается отвечать, если в найденных материалах нет нужных сведений, объединяет факты из нескольких документов и определяет, содержит ли контекст ответ. Также подходит для обычного диалога и последовательных вопросов с учётом входного контекста. Модель имеет плотную архитектуру Qwen2ForCausalLM и 7,1 млрд параметров. В метаданных указан контекст до 32 768 токенов; README описывает RAG-сценарии с контекстом до 8 192 токенов. Доступны веса в формате safetensors. Карточка сообщает о точности около 99% для определения наличия ответа в контексте и приводит результат 56,04 на среднем показателе VMLU; это результаты авторской оценки, а не гарантия качества на других данных. Модель предназначена прежде всего для вьетнамского языка. Авторы предупреждают о возможных ошибках в вопросах политики и общественной жизни, а также о предвзятых или неподходящих ответах. Лицензия — Apache-2.0.

WD SwinV2 Tagger v3 — модель SmilingWolf для автоматической разметки изображений тегами. Она предсказывает рейтинговые, персонажные и общие теги, обучена на изображениях Danbooru и предназначена для автоматической категоризации и поиска изображений по содержимому. Модель основана на архитектуре SwinV2 и совместима с timm; доступны веса в форматах ONNX и safetensors, а ONNX поддерживает пакетную обработку. Для запуска ONNX требуется onnxruntime версии 1.17.0 или новее. Валидация версии 2.0 на наборе автора показала F1 0,4541 при пороге 0,2653. Результаты зависят от порога и распределения тегов; обучение проводилось на отфильтрованной выборке Danbooru, поэтому полноту тегирования на других типах изображений следует проверять отдельно. Лицензия — Apache-2.0.

Funnel Transformer xlarge — англоязычная предобученная модель семейства Funnel Transformer, опубликованная командой разработчиков Funnel Transformer и представленная в научной статье. Это плотная архитектура Funnel с конфигурацией B10-10-10 и декодером; модель обучена самостоятельно на текстах без ручной разметки с задачей распознавания исходных и заменённых токенов. Доступны веса PyTorch и TensorFlow, контекст — до 512 токенов. Модель извлекает контекстные признаки из английского текста и предназначена прежде всего для дальнейшей настройки под задачи, где решение принимается по полному предложению или тексту: классификацию последовательностей, разметку токенов и ответы на вопросы. Полученные представления можно использовать как вход для классификатора. Модель не предназначена для генерации текста. Модель без учёта регистра и обучалась на BookCorpus, английской Википедии, ClueWeb, GigaWord и Common Crawl. Распространяется по лицензии Apache-2.0. Для прикладных задач обычно требуется дообучение; качество для конкретной задачи зависит от него.

ALBERT XLarge v1 — англоязычная предварительно обученная модель семейства ALBERT, представленная разработчиками ALBERT и распространяемая Hugging Face. Она обучена на BookCorpus и английской Википедии для восстановления замаскированных слов и определения порядка соседних фрагментов текста. Модель предназначена прежде всего для задачи fill-mask и получения контекстных представлений для последующей тонкой настройки на классификацию последовательностей и токенов или ответы на вопросы. Архитектура использует 24 повторяющихся слоя Transformer с общими весами, 128-мерными эмбеддингами, скрытым размером 2048 и 16 головами внимания. README указывает 58 млн параметров, тогда как метаданные каталога — 1,7 млрд; поэтому размер модели по доступным источникам расходится. Контекст — до 512 токенов. Модель uncased: регистр букв не различается; данные для обучения были приведены к нижнему регистру и токенизированы SentencePiece. Разделение весов между слоями уменьшает объём памяти по сравнению с архитектурой с отдельными весами каждого слоя, но вычислительная стоимость остаётся сопоставимой с Transformer аналогичной глубины. Модель не предназначена для генерации связного текста; её версии 2 обучались дольше, на дополнительных данных и показывали лучшие результаты почти во всех указанных downstream-задачах. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

AraBERTv0.1 — предварительно обученная языковая модель для арабского языка, разработанная командой AUB Mind Lab на архитектуре Google BERT. Это вариант BERT-Base с примерно 162,4 млн параметров и контекстом до 512 токенов; модель обучалась на арабских текстовых корпусах, включая Wikipedia, OSIAN и 1.5B Arabic Corpus. Версия v0.1 использует предварительно сегментированные тексты: префиксы и суффиксы разделялись с помощью Farasa Segmenter. Модель предназначена прежде всего для восстановления замаскированных токенов и может служить основой для дообучения под задачи понимания арабского языка, например анализа тональности, распознавания именованных сущностей и ответов на вопросы. Для v0.1 рекомендуется применять препроцессор AraBERT; для сегментации требуется Farasa. README описывает более новые варианты AraBERT, но они не являются этим чекпойнтом. Доступны форматы PyTorch, TensorFlow и Flax. Условия лицензии в предоставленных данных не указаны.

boltuix/bert-mobile — англоязычная компактная модель семейства MobileBERT от BoltUIX для NLP на мобильных устройствах и периферийном оборудовании. Это трансформер с архитектурой MobileBertForMaskedLM, производная от google/bert-base-uncased; в метаданных указано около 59,7 млн параметров и контекст до 512 токенов. Модель обучалась на BookCorpus и английской Википедии с задачами masked language modeling и next sentence prediction. Карточка сообщает размер около 140 МБ и возможность уменьшить его квантованием примерно до 25 МБ. Основное назначение в репозитории — заполнение пропусков в тексте. После дообучения модель подходит для классификации последовательностей, распознавания сущностей, извлечения ответов на вопросы и определения отношений между предложениями. Она ориентирована на сценарии, где важны компактность и работа на мобильных или edge-устройствах; для генерации текста и задач на других языках без дообучения не предназначена. Указана лицензия MIT. Качество на сложных задачах может уступать более крупным моделям. Модель может воспроизводить смещения из обучающих текстов, включая гендерные и профессиональные стереотипы; перед применением рекомендуется оценить её на целевых данных.

Модель flax-community/bert-swahili-news-classification — классификатор новостных текстов на основе BERT, созданный участниками JAX/Flax Community Week Hugging Face. Модель дообучена для классификации новостей на языке суахили; обучение проводилось с использованием Flax на TPUv3-8. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Для запуска предусмотрена интеграция с Transformers. Репозиторий включает веса в форматах Flax, PyTorch и safetensors. Подходит для автоматической тематической классификации новостных материалов на суахили. В карточке не приведены перечень классов, метрики качества или подробности ограничений применимости. Лицензия в предоставленных данных не указана.

BERTurk-128k Turkish News Classification — модель классификации новостей, разработанная thealper2 на основе dbmdz/bert-base-turkish-128k-cased. Это дообученный энкодерный Transformer BERTurk с архитектурой BertForSequenceClassification и 211,6 млн параметров; он присваивает турецкому новостному тексту одну из девяти взаимоисключающих тематических категорий. Контекст модели составляет до 512 токенов. Модель предназначена для автоматической тематической разметки новостных материалов и распределения их по категориям, в том числе для потоковой обработки и построения классификаторов на базе Transformers. По описанию автора, на тестовой выборке из 40 063 документов она достигла точности 95,95%, weighted-F1 0,9602 и macro-F1 0,9357. Обучение проводилось на наборе TRNEWS-2025 с учётом дисбаланса классов. Модель поддерживает турецкий язык и распространяется под лицензией MIT. Она ограничена классификацией новостей на девять заданных категорий и может терять информацию в текстах длиннее 512 токенов; результаты для других жанров и языков не заявлены. Условия использования датасета TRNEWS-2025 следует учитывать отдельно от лицензии модели.

Карточка модели manelalab/chrono-bert-v1-20141231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

Cobalt-Safety-Guard — модель на архитектуре BERT, представленная пользователем yding03 и предназначенная для извлечения признаков из текста. В README также заявлено, что модель прошла постобучение с акцентом на безопасность и настройку отказов, однако базовая модель и подробности обучения не приведены. Карточка сообщает о результатах в задачах рассуждения, но метаданные указывают только задачу feature-extraction. Поэтому по доступным сведениям модель можно описать как инструмент для получения текстовых представлений, а не как подтверждённую разговорную систему модерации. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

Модель tjacquot/distilbert-base-uncased-finetuned — дообученная версия DistilBERT для классификации текста. В метаданных указан класс архитектуры DistilBertForSequenceClassification, библиотека Transformers и базовая модель distilbert/distilbert-base-uncased. Модель предназначена для отнесения текстовых последовательностей к классам. В карточке приведены результаты оценки: loss 0,2464 и precision 0,9070. Набор данных, метки классов и конкретная область применения не описаны. Контекст модели — до 512 токенов; модель принимает текст и выдаёт метки классификации. Модель распространяется под лицензией Apache-2.0. Поскольку данные обучения и схема классов не описаны, пригодность для конкретных задач следует оценивать отдельно.

Donut-IRS-Tax-Docs-Classifier — модель hsarfraz на базе архитектуры Donut с энкодером Swin, дообученная для классификации изображений налоговых документов IRS США. Она распознаёт до 28 типов документов, используемых при подготовке налоговых деклараций; в карточке перечислены формы 1040, W-2 и различные приложения к декларациям. Для инференса README рекомендует изображения размером 1920 × 2560 пикселей. Модель содержит 58,7 млн параметров и распространяется под лицензией MIT. Модель предназначена для автоматической сортировки сканов и изображений налоговых форм перед дальнейшей обработкой. Обучение проводилось на наборе более чем из 3000 документов. Классификатор специализирован на формах IRS США; README не описывает поддержку других типов документов или языков, а также не приводит метрики качества.

kongchan/e5-word-meta-ko — модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на 25 358 примерах из набора json от dragonkue/multilingual-e5-small-ko-v2. Она кодирует текстовые запросы и описания в плотные векторы размерности 384, нормализует их и предназначена для семантического поиска и сопоставления запросов с документами по косинусному сходству. Архитектура состоит из трансформера BERT с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. В README приведена оценка на наборе meta-assistant-terms: точность cosine_accuracy@1 составляет 0,9889, а @3 и @5 — 0,9997. Примеры обучающих данных показывают корейские запросы и определения терминов, поэтому модель подходит для поиска по корейским терминам и метаданным. Лицензия в предоставленных данных не указана.

Echo-DSRN-v0.1.3-Research-Intent-CLF — модель классификации научных публикаций, разработанная ethicalabs.ai для проекта OpenAIRE AI Hackathon 2026. Она анализирует название и аннотацию статьи и относит её к одной из пяти категорий исследовательского намерения: методология, набор данных, обзор и другие категории, приведённые в карточке. Модель используется в приложении для потоковой классификации публикаций и, согласно README, выполняет инференс на CPU. Модель основана на рекуррентной архитектуре Echo-DSRN и дообучена от ethicalabs/Echo-DSRN-114M-v0.1.2. В метаданных указаны 49,9 млн параметров и контекст 2048 токенов; README приводит иные размеры — около 98 млн параметров. Модель работает с текстом на английском языке и распространяется в формате safetensors для Transformers. Классификатор предназначен для исследовательских публикаций, а качество предсказаний может быть ниже на статьях из других областей или при неполных и неоднозначных аннотациях. Лицензия — Apache-2.0.

vivekkopthsd/embeddinggemma-300m-taxrag-ft — дообученный Vivek Kopth на базе google/embeddinggemma-300m энкодер эмбеддингов для многоязычного поиска по индийским налоговым и финансовым документам. Модель кодирует текстовые запросы и фрагменты документов в векторы для семантического поиска и извлечения контекста в RAG-системах. Модель основана на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и выдаёт эмбеддинги размерности 768 с поддержкой Matryoshka-размеров 512 и 384. Максимальная длина последовательности — 2048 токенов. Дообучение выполнено на парах запросов и фрагментов Income-Tax Act, 2025 и финансовых вопросах из BeIR/fiqa. Основные языки — английский и хинди; карточка также заявляет работу с Hinglish. На указанном тесте модель достигла Recall@5 1,0 для английского и хинди, но результаты для Hinglish ниже. Лицензия — Gemma; выход модели предназначен для образовательного использования и не является юридической или финансовой рекомендацией.

Financial Embedding Model — модель эмбеддингов на базе XLM-RoBERTa, дообученная для задачи чат-бота по руководствам медицинского оборудования. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, которые подходят для семантического поиска и кластеризации. Модель можно применять для поиска релевантных фрагментов документации и группировки текстов; контекст составляет до 8194 токенов. Модель опубликована в формате Safetensors и рассчитана на использование с Sentence-Transformers. Карточка не указывает лицензию или языки. Название предполагает финансовую тематику, однако описание обучения указывает на медицинскую документацию, поэтому назначение в финансовой области по имеющимся данным подтвердить нельзя.

FineLAP — контрастивно предварительно обученная модель для сопоставления аудио и естественного языка. Карточка описывает её как модель, разработанную для задач понимания аудио на уровне целого клипа и отдельных временных кадров. Она предназначена для извлечения признаков и вычисления сходства между аудио и текстом, включая сценарии аудиозаземления, поиска аудио по тексту и обнаружения звуковых событий. Модель использует архитектуру FineLAP и распространяется в формате safetensors; библиотека для работы — Transformers. Лицензия MIT.

Huiaaa/flickr30k-blip-caption — модель описания изображений на основе архитектуры BLIP, размещённая на Hugging Face и работающая через Transformers. Она принимает изображение и генерирует текстовую подпись; в названии указана связь с Flickr30k. Репозиторий содержит примерно 0,2 млрд параметров в формате safetensors с типом тензоров F32. Модель подходит для автоматического составления коротких описаний изображений и создания подписей для фотоколлекций. Карточка не сообщает разработчика, базовую модель, языки, лицензию, длину контекста или подробности обучения и оценки, поэтому эти характеристики нельзя надёжно уточнить.

Funnel Transformer intermediate — предварительно обученная модель семейства Funnel Transformer, выпущенная авторами этой архитектуры и представленная в исследовательской работе. Это англоязычный uncased-чекпойнт архитектуры FunnelModel с энкодером B6 и декодером 6-6; он обучен на текстах с самоконтролем по задаче определения заменённых токенов, по принципу, близкому к ELECTRA. Модель принимает текст и извлекает векторные представления, пригодные для использования в последующих задачах обработки естественного языка. Чекпойнт рассчитан прежде всего на дообучение для задач, использующих целое предложение или его маскированную версию, например классификации последовательностей, классификации токенов и ответов на вопросы. Контекст ограничен 512 токенами. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Модель не предназначена для генерации текста и обычно требует дообучения для конкретной прикладной задачи.

InternVL-14B-224px — модель зрения и языка OpenGVLab с 14 млрд параметров, предназначенная для извлечения признаков изображений и решения задач на изображениях и видео. Модель принимает изображения размером 224 × 224 пикселя и поддерживает классификацию без дообучения, поиск соответствий между изображениями и текстом или видео и текстом, а также создание подписей к изображениям. Модель обучена на наборах LAION-en, LAION-COCO, COYO, CC12M, CC3M, SBU, Wukong и LAION-multi. В README отмечено, что для корректной работы при использовании необходим префикс «summarize:» и значение tokenizer.pad_token_id = 0. Лицензия — MIT. Конкретные поддерживаемые языки и численные результаты оценки в предоставленных материалах не описаны.

mlx-community/InternVL3-14B-4bit — 4-битная версия InternVL3-14B, преобразованная сообществом mlx-community в формат MLX из models/InternVL3-14B с помощью mlx-vlm 0.1.25. Это мультимодальная чат-модель семейства InternVL для диалога по изображениям и задач визуального понимания; она принимает текст и изображения и формирует текстовые ответы. Метаданные классифицируют её как модель image-text-to-text и указывают поддержку диалога и интерфейс вызова инструментов, а также многоязычность. Репозиторий распространяется по лицензии Apache-2.0. README описывает преобразование формата и квантизацию до 4 бит, однако метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как дообученную; базовая модель требует уточнения по первичной карточке.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.

JevBerta — модель leobitz для классификации с нулевым обучением на структурированных задачах с переменным числом вариантов ответа. Она принимает контекст, запрос и список вариантов, а для интерфейса JEV сопоставляет состояние с контекстом, инструкции — с запросом, а критерии — с вариантами. Для каждого варианта формируется пара текстов, которую обрабатывает Transformer-энкодер на базе microsoft/deberta-v3-base; затем блоки внимания по набору вариантов учитывают их взаимосвязь, а MLP выдаёт нормированные вероятности. Размер модели в README указан как 198 млн параметров. В приведённом снимке точность составляет 0,854 на validation и 0,627 на ood_eval; результаты зависят от набора данных и не гарантируют качество на конкретной задаче. Модель предназначена для выбора среди заданных кандидатов, а не для свободной генерации ответов. Лицензия — MIT.

kl3m-004-correction-001 — языковая модель ALEA Institute для исправления текста на английском языке, особенно в юридических и финансовых документах. Она предназначена для устранения опечаток, орфографических ошибок, типичных ошибок OCR и проблем форматирования, а также для нормализации текста и посимвольных преобразований. Модель использует архитектуру LlamaForCausalLM и содержит около 545,3 млн параметров по метаданным; в README указано 478,2 млн. Для обработки применяется регистрозависимый BPE-токенизатор kl3m-004-char-8k-cased с токенами длиной от одного до трёх символов. Контекст ограничен 512 токенами. Модель обучена на предсказании следующего токена со специальными токенами для коррекции и рассчитана на работу через Transformers. К сильным сторонам относятся мелкозернистая обработка символов и ориентация на OCR- и форматные ошибки в специализированных документах. Модель в основном рассчитана на английский язык, имеет небольшой контекст и может не справляться со сложными смысловыми ошибками или коррекциями, требующими широкого контекста. Она не предназначена для перевода или свободной генерации контента. Лицензия — CC-BY-4.0.

Kansallisarkisto/latvian-large-handwritten — модель на основе Transformer encoder-decoder для распознавания рукописного текста на изображениях. Она дообучена Национальным архивом Латвии на базе microsoft/trocr-large-handwritten в рамках проекта ArchXAI, поддержанного программой Central Baltic Programme. Для обучения использованы преимущественно размеченные строки рукописных исторических документов из коллекций Национального архива Латвии; в обучающей выборке также были печатные и машинописные строки и пустые строки из коллекций Национального архива Финляндии. Модель предназначена для оцифровки архивных документов, исторических рукописей и рукописных заметок на латышском языке. Она принимает изображение отдельной строки текста и выдаёт её текстовую транскрипцию. На тестовой выборке из своего домена авторы сообщают CER 0,0233 и WER 0,1050. Модель лучше всего подходит для латышского письма с латинскими буквами и латышскими диакритическими знаками. Она не обучалась на нелатинских алфавитах и может плохо работать с другими языками и данными вне обучающего домена. Лицензия — Apache 2.0.

mljn/mDeBERTa-v3-base-mnli-xnli-finetuned-econ_frame-nli-classification — дообученная модель классификации текстов на основе MoritzLaurer/mDeBERTa-v3-base-mnli-xnli. Она предназначена для отнесения текста к экономическим фреймам; карточка сообщает о дообучении для этой задачи и приводит результаты оценки: accuracy 0,9324, macro F1 0,9191 и ROC AUC 0,9414. Модель построена на архитектуре DeBERTa-v2, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. Использовать её можно для тематической разметки и анализа текстов об экономике. Базовая модель поддерживает многоязычную классификацию и NLI, однако языки и датасет, использованные при дообучении этой версии, в карточке не раскрыты. Лицензия — MIT.