I.3Извлечение и структурирование данных

Samrudh-1 Brahma 7B — инструктивная языковая модель с дообучением для рассуждений и диалоговых задач, выпущенная Samrudh (dwivedula). Она основана на Qwen2.5-7B-Instruct и дообучена методом QLoRA с 4-битным NF4; в репозитории представлены веса Safetensors, а автор также указывает отдельную GGUF-версию. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста и общения. В карточке заявлена специализация на разговорном телугу, включая региональные варианты Telangana, Rayalaseema и Coastal Andhra, а также на задачах правового соответствия, количественных финансовых оценок и фармакологии. Автор также описывает извлечение точных цитат из длинных документов и генерацию синтаксических преобразований на основе правил Панини. Эти возможности и результаты тестов приведены в карточке модели; независимых подтверждений им там нет. Модель распространяется по лицензии Apache 2.0. Она может быть полезна для прототипирования тематических помощников и локального запуска, но численные заявления о качестве не следует считать гарантией точности в финансовых, правовых или клинических решениях.

Shiraz — персидская языковая модель Lifeweb на архитектуре MobileBERT, предназначенная для заполнения пропусков в тексте. Модель содержит 69,6 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате safetensors. Она обучена на собственном корпусе Divan, который, по заявлению разработчиков, включает более 164 млн документов и 10 млрд токенов. В README также описаны оценки модели в задачах распознавания именованных сущностей, анализа тональности и определения эмоций; разработчики отмечают высокую скорость и конкурентное качество. Метаданные указывают основную задачу fill-mask. Модель выпущена под лицензией Apache-2.0.

SmolVLM2-2.2B-Instruct — компактная мультимодальная модель Hugging Face для анализа изображений, нескольких изображений и видео по текстовым запросам. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; модель принимает текст и визуальные данные, а отвечает текстом. Заявленный размер — 2,2 млрд параметров, для инференса на видео требуется около 5,2 ГБ видеопамяти. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, сравнения визуального содержимого, чтения текста на изображениях и создания историй по медиафайлам. Поддерживаемый язык — английский. Генерировать изображения и видео модель не умеет. В README приведены результаты оценок на визуальных и видео-бенчмарках, но ответы могут быть фактически неверными; модель не предназначена для высокорисковых решений. Лицензия — Apache 2.0.

SQLCoder-7B-2 — языковая модель для преобразования запросов на естественном языке в SQL, разработанная компанией Defog, Inc. Модель предназначена для аналитики данных: она помогает нетехническим пользователям формулировать SQL-запросы к базам данных на основе описания их схемы. Это аналитический инструмент, а не средство администрирования баз данных. Модель дообучена на базе CodeLlama-7B и распространяется через библиотеку Transformers как модель генерации текста. Для оптимальных результатов рекомендуется использовать детерминированную генерацию без сэмплирования и четыре beam search-гипотезы. Входные данные должны содержать вопрос пользователя и схему базы данных в виде DDL-описаний. В README не указаны поддерживаемые языки естественного языка, точный размер контекста и перечень модальностей; по назначению модель ориентирована на текстовые вопросы и SQL. По данным оценки SQL-Eval, модель показывает высокие результаты в задачах с датами, группировкой, сортировкой, отношениями и объединениями таблиц, однако качество зависит от типа запроса и ниже в категории where. Важное ограничение безопасности заключается в том, что модель не обучалась отклонять вредоносные запросы от пользователей с правом записи, поэтому её следует применять только в средах с доступом к базам данных в режиме только для чтения. Лицензия — CC BY-SA 4.0.

TAPAS large — предварительно обученная модель семейства BERT, разработанная Google для представления таблиц и связанного с ними текста. Модель содержит 433,9 млн параметров, поддерживает английский язык и принимает последовательности из текста вопроса или предложения и таблицы. Для извлечения признаков доступна длина контекста до 1024 токенов; в README описаны версии с относительными позиционными эмбеддингами (по умолчанию) и с абсолютными позиционными эмбеддингами. Модель обучена на англоязычных данных Википедии с помощью masked language modeling и дополнительного предварительного обучения на задаче проверки, подтверждается ли высказывание содержимым таблицы. Её можно использовать для получения скрытых представлений пар «таблица — вопрос» и дообучать для ответов на вопросы по таблицам или классификации текстов относительно таблиц. Это базовая модель для извлечения признаков, а не готовая модель генерации ответов; для специализированных задач может потребоваться дообучение с классификационной головой. Распространяется по лицензии Apache-2.0.

TAPAS small — модель Google на архитектуре TAPAS, дообученная на задаче последовательных вопросов и ответов по таблицам (SQA). Она принимает вопрос и таблицу, представленную в текстовом виде, и выбирает ячейки таблицы для ответа; это подходит для диалогового поиска фактов в табличных данных. Модель содержит 32,4 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Дообучению предшествовали маскированное языковое моделирование и промежуточное обучение на примерах числовых рассуждений по таблицам. По умолчанию используется вариант с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Модель обучена для английского языка на наборе SQA и предназначена для ответов на вопросы о таблицах. Лицензия — Apache-2.0.

loulou2/tiny_janus — модель семейства Janus для условной генерации текста по изображению. Она представлена в формате safetensors и предназначена для сценариев, где нужно передать изображение модели и получить текстовый ответ или описание. Репозиторий использует Transformers и архитектуру JanusForConditionalGeneration с поддержкой зрения. Автор, размер модели, языки обучения и базовая модель в карточке не указаны. README содержит лицензию DeepSeek License Agreement 1.0 от 23 октября 2023 года с ограничениями на отдельные сценарии использования; перед применением и распространением следует проверить её полные условия. Карточка не приводит результатов оценки и сведений о конкретных ограничениях качества.

rayzkir/tnved_biencoder — дообученная на базе BAAI/bge-m3 модель Sentence Transformers для поиска соответствий между текстовыми описаниями товаров и кодами ТН ВЭД. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как карточка сообщает максимальную длину последовательности 128 токенов. Модель обучалась на примерах запросов, подходящих описаний и отрицательных вариантов; README приводит результаты поиска на tnved_val, включая cosine_accuracy@1 0,9112 и @5 0,9824. Её можно применять для подбора кандидатов к товарным описаниям и семантического поиска по классификатору ТН ВЭД. При использовании следует учитывать расхождение между указанными длинами контекста и ограниченность приведённой оценки одним набором проверки. Лицензия в предоставленных данных не указана.

Tucano2-qwen-1.5B-Instruct — португалоязычная инструкционная модель компании Polygl0t, созданная на базе Tucano2-qwen-1.5B-Base. Это плотная Transformer-модель семейства Qwen3 с 1,5 млрд параметров и контекстом 4096 токенов; обучение включало один этап контролируемой настройки инструкций (SFT) и один этап оптимизации предпочтений (APO). Модель предназначена для исследований и разработки систем генерации текста на португальском языке. Она подходит для диалогов, суммаризации, генерации структурированных ответов, работы в сценариях RAG и использования инструментов или вызова функций. Карточка сообщает о сравнительно сильных результатах семейства Tucano2 на португалоязычных тестах, но приведённые таблицы относятся к варианту 3.7B и не подтверждают напрямую качество версии 1.5B. Модель может выдавать фактически неверные или предвзятые ответы, токсичный текст, повторяться и быть многословной; другие языки, кроме португальского, могут обрабатываться хуже. Лицензия Apache 2.0 разрешает использование и адаптацию на её условиях; для реального применения рекомендуется отдельно оценивать риски и смещения.

uncased-clf-persiannews_v2 — модель классификации текста на основе BERT, разработанная как дообученная версия HooshvareLab/bert-fa-base-uncased-clf-persiannews. Она предназначена для отнесения персидских новостных текстов к тематическим категориям. Модель содержит 190 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст с контекстом до 512 токенов. На указанном в карточке наборе для оценки модель получила accuracy и F1 0,6504, precision 0,6521 и loss 0,9489. Данные обучения в README обозначены как None, поэтому состав обучающей выборки и области, в которых классификатор надёжно работает, оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Whisper Small от FutureProofGlitch — дообученная версия openai/whisper-small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и обучена на корпусе AMI Meeting Corpus, содержащем записи совещаний. Подходит для преобразования речи из записей встреч в текст; для оценки приведены WER 19,38 и WER Ortho 19,58 на тестовой выборке. Модель принимает аудио и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Подробности о сценариях применения и ограничениях качества в карточке не раскрыты.

seastar105/whisper-small-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Small. Разработчик сообщает, что обучал её на корейских аудиоданных: записях адресов, совещаний, телефонных разговоров низкого качества и диалогах из вещательного контента. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers; веса доступны в форматах Flax и Safetensors. Модель предназначена для транскрибирования корейской речи, в том числе телефонных звонков, совещаний и разговорного аудио. В README приведены результаты тестирования на нескольких корейских наборах данных; автор утверждает, что среднее качество на его тестовом наборе выше, чем у Whisper Large v3. Лицензия и точные условия использования в предоставленных сведениях не указаны.

Recognai/zeroshot_selectra_small — модель классификации текста с нулевым обучением на основе SELECTRA, дообученная Recognai на испанской части набора XNLI. Она принимает текст и набор кандидатных меток, после чего оценивает, какая метка лучше подходит; для работы через конвейер zero-shot в Transformers шаблон гипотезы следует задавать на испанском языке. Модель содержит 25,4 млн параметров и поддерживает контекст до 512 токенов. Модель рассчитана на лёгкую классификацию испанских текстов без отдельного обучения под каждую задачу. В опубликованной оценке точность на XNLI составляет 0,795; на выбранной подвыборке MLSUM — 0,446. Авторы отмечают, что версия small компактнее, но уступает версии medium и классификатору на BETO. Лицензия — Apache-2.0.

AgentTrek-1.0-32B — языковая модель для веб-агентов, разработанная авторами проекта AgentTrek и дообученная на базе Qwen2.5-32B-Instruct. Она предназначена для выполнения задач в интернете и генерации траекторий действий агента, в том числе с опорой на веб-руководства. Модель плотная, содержит 32 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 32 768 токенов. В метаданных указаны диалоговый режим и интерфейс вызова инструментов, язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает точные результаты на тестах или перечень поддерживаемых веб-сайтов.

AL-RoBERTa base — предобученная модель семейства RoBERTa, разработанная для албанского языка. Она обучена на текстах с задачей masked language modeling: по контексту предсказывает скрытые токены и формирует двунаправленные представления текста. Модель содержит 96,6 млн параметров, поддерживает контекст до 514 токенов и чувствительна к регистру. Модель подходит для заполнения пропусков и получения представлений албанского текста; её также можно дообучить для классификации последовательностей и токенов или ответов на вопросы. Это базовая модель, а не генератор продолжений текста. В README упоминается корпус Wiki на албанском языке. Лицензия — Apache-2.0.

Модель для классификации текста, созданная с помощью AutoTrain и дообученная на базе ulisesbravo/autotrain-wlgd2-3sulg. Она построена на архитектуре MPNet с классификационной головой и содержит около 136,7 млн параметров. Модель принимает текст и возвращает метку класса; заявленная задача — text-classification. В README приведены метрики на валидации: accuracy около 0,707 и macro F1 около 0,707. Эти результаты дают ориентир для оценки, но без описания классов и набора данных нельзя определить, для каких именно категорий предназначена классификация. Репозиторий содержит веса в формате safetensors. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

BalBERT — модель Shah Bakhsh для обработки текста на белуджском языке. Это энкодер на архитектуре XLM-RoBERTa, дообученный методом Domain-Adaptive Pretraining на монолингвальном корпусе из 97 624 предложений. В метаданных указано 305,2 млн параметров, библиотека Transformers и максимальный контекст 514 токенов; README приводит иные значения размера и контекста: около 278 млн параметров и длину до 128 токенов. Основная задача модели — предсказывать скрытые токены в тексте. Её также можно дообучать для классификации текста и разметки токенов, а скрытые состояния энкодера использовать как контекстные представления предложений и токенов. Модель рассчитана на письменный белуджский; работа с устными диалектами и нестандартными вариантами орфографии может требовать дополнительного дообучения. Энкодер не предназначен для генерации длинных текстов. Лицензия — Apache-2.0.

yale-nlp/bart-large-finetuned-qtsumm — модель на архитектуре BART, разработанная командой Yale NLP: она инициализирована весами facebook/bart-large и дообучена на наборе QTSumm. Модель предназначена для суммаризации табличных данных с учётом пользовательского вопроса: она формирует краткое текстовое резюме, релевантное заданному запросу. Модель содержит 252,8 млн параметров, работает с текстовым вводом и выдаёт текст. Максимальная длина контекста — 1024 токена; в карточке указан английский язык. Репозиторий содержит веса PyTorch, лицензия — MIT. README отсылает к GitHub-репозиторию за подробностями использования.

Belle-whisper-large-v3-zh — модель распознавания китайской речи, созданная командой BELLE-2 дообучением Whisper large-v3. Она предназначена для транскрибации китайской речи, в том числе записей встреч и аудио со сложной акустической обстановкой. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текст; в README приведены результаты на AISHELL-1, AISHELL-2, WenetSpeech и HKUST, включая улучшение относительно исходной Whisper large-v3 на китайских тестах. Архитектура — WhisperForConditionalGeneration семейства Whisper; размер — около 905,2 млн параметров. Модель доступна в форматах PyTorch и Safetensors и использует библиотеку Transformers. Распространяется по лицензии Apache-2.0. Заявленные в карточке улучшения относятся к указанным тестовым наборам; качество на других языках и типах аудио не описано.

BERT large uncased — англоязычная предварительно обученная модель семейства BERT, разработанная Google. Она использует трансформерный энкодер с 24 слоями, размерностью скрытого представления 1024 и 16 головами внимания. Метаданные указывают 433,9 млн параметров; в карточке модели приводится конфигурация на 336 млн параметров. Модель обучена на BookCorpus и английской Википедии с задачами предсказания замаскированных токенов и следующего предложения. Текст приводится к нижнему регистру, используется токенизатор WordPiece с словарём из 30 000 токенов; максимальная длина контекста — 512 токенов. Основной сценарий непосредственного применения — заполнение пропусков в английском тексте. Также представления BERT можно использовать как основу для дообучения на классификации последовательностей и токенов или ответах на вопросы. Модель не предназначена для свободной генерации текста; для неё обычно требуется дообучение под целевую задачу. Предсказания могут отражать смещения обучающих данных. Модель распространяется по лицензии Apache-2.0. Метаданные указывают варианты весов для PyTorch, TensorFlow и Flax, включая safetensors.

Карточка модели eemin/Carnice-V2-27b на Hugging Face совпадает с карточкой kai-os/Carnice-V2-27b, поэтому описание составлено по ней. Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

allenai/cs_roberta_base — англоязычная модель RoBERTa от Allen Institute for AI (Ai2), предназначенная для обработки текстов в области компьютерных наук. Это плотная трансформерная модель с 151,8 млн параметров и контекстом до 514 токенов; доступны веса PyTorch и Flax. Модель можно использовать как базовое представление текста для последующей настройки под задачи NLP, например классификацию научных текстов или извлечение ключевых фраз. Карточка Hugging Face не содержит описания конкретных задач, оценок качества и условий лицензии, поэтому эти свойства здесь не уточняются.

DE·HTR — компактная модель распознавания современных немецких рукописных строк, опубликованная naeyn. Она принимает одно заранее вырезанное изображение строки и выдаёт Unicode-транскрипцию с помощью greedy-декодирования CTC. Модель предназначена для браузерного или локального запуска через ONNX Runtime; после загрузки страницы и модели распознавание выполняется без сетевых запросов. Архитектура включает визуальную основу ResNet-18, проекцию до 384 признаков, трёхслойную двунаправленную GRU и CTC-голову на 196 классов. Веса опубликованы в формате ONNX с int8-квантованием; размер модели — около 9,84 МБ, число параметров — около 9,73 млн. Изображение приводится к высоте 64 пикселя, ширина может быть динамической. Модель рассчитана только на немецкий язык и современные рукописные строки, а не на целые страницы. Сильные стороны — небольшой размер, работа на стороне клиента, автономное использование и предсказуемое распознавание без передачи изображений на сервер. Ограничения: нет сегментации строк, языковой модели или лексической коррекции; качество может снижаться на новых авторах и условиях съёмки, а исторические шрифты и неподдерживаемые символы не распознаются. Лицензия — Apache-2.0.

ai4data разработала devdata-search-gist-small-cmnrl — биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Модель дообучена на DevDataBench на основе avsolatorio/GIST-small-Embedding-v0 с функцией потерь cmnrl. При обучении порядок полей перемешивался, а часть полей случайно исключалась, чтобы модель связывала значения с названиями полей, а не с их позицией в записи. Модель предназначена для семантического поиска и сопоставления запросов с записями метаданных, например поиска статистических показателей по описанию. Она принимает текстовые запросы и описания записей, выдаёт эмбеддинги для последующего ранжирования или поиска. Используется через Sentence Transformers; это модель для построения поисковой системы, а не готовый хостинговый сервис. Размер — 40 млн параметров, максимальная длина последовательности — 512 токенов; префиксы запросов и документов не требуются. Модель распространяется по лицензии Apache-2.0. README не указывает поддерживаемые языки; базовая модель описана в каталоге как англоязычная, поэтому пригодность для других языков не подтверждена.

psomi/distilbert-base-uncased-finetuned-clinc — модель DistilBERT, дообученная для классификации текста. Она предназначена для отнесения текстовых последовательностей к классам; карточка сообщает точность 0,9184 и loss 0,7894 на оценочной выборке, но не раскрывает набор меток и состав данных. Модель построена на архитектуре DistilBertForSequenceClassification, использует библиотеку Transformers, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Базовая модель — distilbert/distilbert-base-uncased. Лицензия — Apache-2.0. README не описывает конкретные сценарии применения и ограничения качества.

Bienvenu2004/donut-base-pv-aws2 — модель архитектуры vision-encoder-decoder, обученная с нуля на наборе данных imagefolder. Она принимает изображения и предназначена для задач преобразования изображений в текст. В метаданных указан формат safetensors и задача image-text-to-text. Карточка не описывает конкретные сценарии применения, языки, размер модели, длину контекста или условия лицензии. Поэтому её специализацию и практическое качество по имеющимся сведениям определить нельзя.

ElhBERTeu — базовая одноязычная модель BERT для баскского языка, представленная в работе о бенчмарке BasqueGLUE. Авторы предварительно обучили её на корпусе из 575 млн токенов: новостях, Википедии, научных текстах, литературе и субтитрах. Модель имеет регистрозависимый токенизатор со словарём на 50 тыс. токенов; в карточке указаны архитектура BertModel, 151,7 млн параметров и контекст до 512 токенов. Модель предназначена для получения контекстных представлений текста, которые можно использовать как основу для задач понимания баскского языка, например распознавания сущностей, классификации и оценки сходства предложений. Она оценивалась на BasqueGLUE и показала средний результат 73,71. Доступны веса в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

EMO355 — модель эмбеддингов на базе RoBERTa, разработанная procesaur и дообученная на Jerteh-355. Она предназначена для получения векторных представлений текста, в том числе для оценки сходства предложений и работы с эмоциями и эмоционально-выразительными оттенками на сербском языке. Модель содержит 453 млн параметров, принимает текст и рассчитана на контекст до 514 токенов; для загрузки и использования применяется библиотека sentence-transformers. Модель подходит для сравнения сербских предложений по смыслу и эмоциональной окраске, а также для поиска текстов со сходными эмоциональными характеристиками. Репозиторий распространяется под лицензией Apache-2.0. В предоставленном фрагменте карточки нет количественных оценок качества, поэтому пригодность для конкретного приложения следует проверять на его данных.

ESG-BERT — доменная модель BERT для извлечения информации из текстов в области устойчивого инвестирования. Её разработали Mukut Mukherjee, Charan Pothireddi и Parabole.ai. Репозиторий содержит классификатор последовательностей на 136,7 млн параметров в форматах PyTorch и Safetensors; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для классификации текстов об ESG и устойчивых инвестициях. В карточке сообщается, что дообучение для классификации дало F1 0,90 против 0,79 у BERT-base и 0,67 у подхода на scikit-learn. Модель англоязычная. Карточка предупреждает о возможных стереотипах и вредных смещениях в предсказаниях. Лицензия указана как требующая уточнения.

mewse/gemma-4-26B-A4B-it-qat-q4_0-unquantized-heretic — экспериментальная версия Gemma 4, созданная автором репозитория на основе google/gemma-4-26B-A4B-it с применением Heretic для ослабления встроенных ограничений. Автор предупреждает, что это была первая попытка, результат неудовлетворительный, а метод, по его оценке, плохо сработал на MoE-моделях; вместо неё он рекомендует другой свой вариант. Модель предназначена для диалога и анализа изображений с ответами текстом. Базовая Gemma 4 использует гибридное внимание и поддерживает рассуждения, работу с инструментами, генерацию и исправление кода, а также мультимодальный ввод. В карточке базовой модели указано контекстное окно до 256 тысяч токенов и поддержка более 35 языков; аудиовозможности у версии 26B A4B не заявлены. Метаданные этого репозитория указывают архитектуру Gemma4ForConditionalGeneration, формат safetensors и возможности чата и зрения. Репозиторий распространяется по лицензии Apache-2.0. Из-за предупреждения автора о слабом результате снятия ограничений качество и полноту этой модификации следует считать ненадёжными; как и базовая модель, она может ошибаться в фактах и испытывать трудности с неоднозначными запросами.