I.3Извлечение и структурирование данных

sahilchachra/Laya-TypedDecisions-MXFP8 — квантованный MXFP8 вариант энкодерной основы Typed-Decisions из convaiinnovations/laya для запуска через MLX на Apple Silicon. Модель основана на ModernBERT-large: в README указаны 421 млн параметров, 1024 скрытых измерения и 28 слоёв; метаданные каталога приводят 394,7 млн параметров. Контекст в метаданных — 8192 токена, тогда как README указывает 1024 токена для исходной архитектуры. Репозиторий содержит только двунаправленный энкодер, а не отдельную голову принятия решений из Laya. Его можно применять для извлечения признаков из текста или как основу для собственной MLX-головы; это не модель для генерации текста, чата или прямого вызова API принятия решений Laya. README сообщает о проверке численного соответствия исходной модели и о расхождениях при квантовании: в одном из трёх тестовых вопросов MXFP8 изменил лучший ответ. Для чувствительных к точности оценок автор рекомендует исходные bf16/fp32 веса. Лицензия в предоставленных источниках не указана.

LFM2-VL-450M — компактная мультимодальная модель Liquid AI для работы с текстом и изображениями. Она предназначена для низколатентного запуска на устройствах с ограниченными ресурсами и поддерживает диалоговые сценарии, следование инструкциям и лёгкие агентные потоки. Модель содержит 450 млн параметров: гибридный свёрточно-внимательный языковой блок LFM2 и визуальный энкодер SigLIP2 NaFlex base. Обрабатывает изображения с переменным разрешением, до 512×512 пикселей за раз; крупные изображения разбиваются на фрагменты. Для запуска требуется Transformers версии 4.57 или новее. Модель рассчитана на английский язык. Её можно применять для вопросов об изображениях, визуального анализа и распознавания текста на изображениях; настройки числа визуальных токенов позволяют выбирать компромисс между скоростью и качеством. Разработчик рекомендует дообучать её для узких сценариев. Модель не предназначена для решений, критичных к безопасности. В метаданных лицензия указана как other, без конкретизации условий в предоставленных данных.

LLaVA-OneVision Qwen2 7B SI — мультимодальная языковая модель семейства LLaVA-OneVision, опубликованная авторами LLaVA и представленная в репозитории llava-hf. Она основана на Qwen2 с визуальным компонентом SO400M и дообучена на синтетических мультимодальных инструкциях. Версия SI ориентирована на работу с отдельными изображениями, при этом семейство поддерживает сценарии с несколькими изображениями и видео. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Она подходит для описания изображений, визуальных вопросов и ответов, а также анализа нескольких изображений в одном запросе. В карточке указана архитектура SO400M + Qwen2, точность bfloat16 и использование библиотеки Transformers; метаданные указывают поддержку английского и китайского языков. Для работы с видео возможности семейства описаны в README, но для этой версии SI основной акцент сделан на одиночных изображениях. Модель распространяется по лицензии Apache 2.0. Для запуска требуется совместимая версия Transformers; README также описывает варианты ускорения и 4-битной загрузки. Как и другие визуально-языковые модели, она может ошибаться в ответах и интерпретации содержимого изображений; точные параметры контекста и число параметров для данного репозитория в предоставленных сведениях не приведены.

LLMDet base — модель обнаружения объектов с открытым словарём, разработанная Shenghao Fu и соавторами. Она построена на MM Grounding DINO и Grounding DINO и улучшает их совместным обучением под надзором большой языковой модели. Опубликованный чекпойнт предназначен только для инференса; языковая модель, использованная при обучении, в него не входит, а инференс выполняется так же, как у MM Grounding DINO. Модель подходит для обнаружения объектов по текстовым запросам без фиксированного набора классов. Обучение проводилось на Objects365v1, GOLD-G, V3Det и GroundingCap-1M. В приведённых авторами результатах на LVIS вариант base показывает AP 54,3 на MiniVal и 47,8 на Val1.0. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Magnus — дообученная модель GRRNMAKE на базе Mistral-7B-Instruct-v0.3, созданная для точного вызова инструментов, соблюдения формата ответа и лаконичной генерации. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для диалогового использования и запуска через библиотеку Transformers. Она поддерживает стандартный шаблон чата Mistral v0.3 для вызова инструментов и контекст до 32 768 токенов. В карточке сообщается о высокой точности кратких ответов и соблюдении инструкций; оценка проводилась на Axim Corrective Benchmark и наборе Axim Alignment Dataset. Модель подходит для ассистентов, которым важно выдавать короткие ответы в заданной структуре и обращаться к инструментам. Лицензия в предоставленных данных не указана.

MedCPT Query Encoder — текстовый энкодер, разработанный Computational Biology Branch подразделения NCBI/NLM для представления медицинских и биомедицинских запросов в виде эмбеддингов. Это часть пары энкодеров MedCPT: данный репозиторий содержит энкодер запросов, а отдельный Article Encoder кодирует статьи, включая заголовки и аннотации PubMed. Модель основана на BERT и насчитывает 136,7 млн параметров. Она принимает короткие тексты — вопросы, поисковые запросы и предложения — и выдаёт векторы размерности 768; длина контекста составляет 512 токенов. Энкодер обучен на 255 млн пар «запрос—статья» из журналов поиска PubMed и предназначен для семантического поиска, кластеризации запросов и поиска похожих запросов. Его эмбеддинги совместимы с пространством эмбеддингов MedCPT Article Encoder, что позволяет выполнять поиск запросов по статьям. Модель показывает высокие результаты в нескольких задачах биомедицинского поиска без дообучения, однако предназначена для поиска и представления текстов, а не для постановки диагнозов или принятия медицинских решений. Результаты требуют клинической проверки. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования репозитория.

MedTE-cl15-step-8000 — модель эмбеддингов на базе BERT, опубликованная пользователем MohammadKhodadad на Hugging Face. Репозиторий содержит веса BertModel и токенизатор; конфигурация указывает 12 слоёв, 12 голов внимания, размерность скрытого состояния 768 и максимальную длину последовательности 512 токенов. Модель предназначена для извлечения признаков из текста, в частности для получения векторных представлений, пригодных для поиска и сравнения текстов в медицинской области. В карточке указано 136,7 млн параметров и формат Safetensors. Идентификатор и имя каталога указывают на контрольную точку MedTE, но доступная карточка не раскрывает обучающие данные, целевую аудиторию, поддерживаемые языки или лицензию. Поэтому область применения в медицине можно считать ориентиром, а не подтверждением качества для клинического использования.

Moondream 3.1 — визуально-языковая модель Moondream с архитектурой mixture-of-experts: 9 млрд параметров всего, из которых 2 млрд активны при работе. Она принимает изображения и текстовые запросы и отвечает текстом, включая структурированные результаты для запросов к изображению, обнаружения объектов, указания точек и создания подписей. Модель предназначена для визуального анализа и рассуждений, а также для быстрого локального развёртывания или вызова через облачный API Moondream. Для локального запуска README указывает Photon: движок инференса поддерживает NVIDIA GPU поколения Ampere или новее и компьютеры Apple Silicon. Заявлены высокая скорость и низкая стоимость развёртывания, но количественные показатели качества и скорости в карточке не приведены. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому её конкретные условия следует сверить с опубликованным текстом лицензии.

Мультимодальная модель для преобразования изображений и текстовых запросов в текстовый ответ. Модель опубликована на Hugging Face в репозитории Monad-dz/OCRCS-qwen3vl-2b-merged; в метаданных она связана с семейством Qwen3-VL и библиотекой Transformers. Размер 2B заявлен в идентификаторе модели, однако подробные сведения об архитектуре, обучении и разработчике в карточке отсутствуют. Модель предназначена для сценариев image-text-to-text: анализа изображений по текстовым инструкциям, визуального вопросно-ответного взаимодействия и генерации текстовых описаний. README не содержит подтверждённых сведений о поддерживаемых языках, лицензии, длине контекста, результатах оценки или специализированных возможностях OCR, поэтому применять модель в критически важных задачах следует с дополнительной проверкой ответов.

OELLM 9B — 256K context — Prelude anneal300b — это базовая языковая модель OpenEuroLLM, представленная в виде BF16-экспорта для Transformers. Она построена на плотной декодерной архитектуре Qwen3 с примерно 9 млрд параметров и контекстом до 262 144 токенов; для обработки длинного контекста используется RoPE с theta 64 000 000. Модель получена продолженным предобучением чекпойнта openeurollm/prelude на примерно 8 млрд токенов, включая тексты на европейских языках, код и научные материалы. Модель предназначена для completion-сценариев, исследований длинного контекста и извлечения сведений из больших текстов, а также как основа для дальнейшего дообучения. Это не чат-модель: она не обучена следовать инструкциям и не прошла safety alignment. Небольшая проверка извлечения информации проведена на английском и шведском, но она не подтверждает качество рассуждений, суммаризации или генерации во всём окне контекста. Для работы с полным контекстом требуются значительные ресурсы ускорителей, эффективная реализация attention и тщательная настройка KV-cache; обычно нужен tensor parallelism. Опубликованные веса доступны по лицензии Apache-2.0.

Patent CPC Predictor — дообученная модель Brad Grimm на основе microsoft/deberta-v3-small для предсказания кодов классификации патентов CPC по заголовку и аннотации патентной заявки. Она предназначена для автоматической классификации патентных документов по разделам, классам и подклассам CPC. В README указана точность 92% для раздела, 88% для класса и 85% для подкласса. Модель использует архитектуру DeBERTa V2, содержит 155 млн параметров и принимает текст с контекстом до 512 токенов. Для обучения использовались заголовки и аннотации выданных патентных заявок; метаданные указывают английский язык. Лицензия — MIT. Для применения потребуется настроить получение предсказаний CPC из выходов модели, поскольку карточка не описывает готовый интерфейс классификации и схему меток.

Trongvox разработал семантическую модель на базе Sentence Transformers, дообученную на vinai/phobert-base. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из RoBERTa-трансформера с усреднением токенных представлений, число параметров — 162,4 млн. В метаданных указан контекст до 258 токенов, а в README — максимальная длина последовательности 128 токенов. Модель предназначена для поиска по смыслу и сравнения текстов о еде: в примерах обучающей выборки есть рецепты и названия блюд, а также описания заведений. Её можно применять для семантического поиска, поиска перефразировок, кластеризации, классификации и оценки текстового сходства. Модель рассчитана на вьетнамский язык и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

bcwarner/PubMedBERT-base-uncased-sts-combined — дообученная модель на основе PubMedBERT, предназначенная для оценки семантического сходства пар текстов. Разработчик описывает её как модель для генерации пар сходства, прежде всего для функции отбора признаков sts-select. Модель использует архитектуру BERT и формирует текстовые эмбеддинги; объём — 136,7 млн параметров, максимальный контекст — 512 токенов. Она подходит для сравнения медицинских текстов и отбора признаков по сходству. В метаданных указана лицензия MIT.

aniruddhr04/qwen2.5-3b-nl2sql-spider-grpo — экспериментальная модель на основе Qwen2.5-3B-Instruct, дообученная разработчиком с помощью GRPO в среде, где она выполняла SQL-запросы к базам SQLite и получала вознаграждение за совпадение результатов с эталонными запросами. Модель предназначена для преобразования вопросов на естественном языке в SQL с использованием схемы базы данных и инструмента run_sql. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и контекст до 32 768 токенов. В описанном тесте Spider dev точность выполнения запросов по официальной метрике составила 0,644; лучше она справлялась с простыми вопросами, чем с задачами повышенной сложности и многотабличным рассуждением. Для воспроизведения результатов требуется повторять цикл вызова инструмента, предусмотренный при обучении. Это исследовательский артефакт для изучения обучения NL2SQL с обратной связью от выполнения запросов; он не позиционируется как передовая модель для Spider. Apache-2.0 допускает широкое использование и распространение в соответствии с условиями лицензии.

dealignai/Qwen3.5-VL-27B-JANG_4S-CRACK — созданная Jinho Jang производная мультимодальной модели Qwen3.5-VL-27B. Она предназначена для диалогов и задач, где нужно анализировать изображения и отвечать на вопросы о них. По карточке, модель имеет плотную гибридную архитектуру SSM/Attention с 64 слоями и встроенными возможностями зрения; заявлены поддержка английского, китайского и корейского языков и работа с режимом рассуждения. Веса преобразованы в смешанную квантизацию JANG_4S: 6 бит для внимания и 4 бита для MLP, заявленный размер — 16 ГБ. В README также указано, что CRACK удаляет отказы, связанные с защитным выравниванием, на уровне весов; поэтому модель может выдавать небезопасные ответы. Формат JANG рассчитан на Apple Silicon и поддерживается MLX Studio и пакетом jang-tools; в карточке указана библиотека MLX. Лицензия — Apache-2.0. Приведённые в README результаты тестов являются заявлениями автора и не подтверждают качество на всех сценариях.

Qwen3-VL-8B-Contracts-OCR — дообученная авторами репозитория мультимодальная модель Qwen3-VL-8B для извлечения структурированных данных из сканов договоров об учреждении египетских компаний на арабском языке. Она анализирует изображения страниц и формирует JSON, копируя арабский текст без исправления орфографии; таблицы включает в ответ в формате Markdown. Для обработки предусмотрена подача двух соседних страниц одновременно, а PDF перед запуском нужно преобразовать в изображения. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате Safetensors для Transformers; в README также описана версия с объединёнными LoRA-весами FP16. Она предназначена для оцифровки корпоративных юридических документов и автоматизации извлечения сведений. Обучение проводилось на частном наборе примерно из 32 исходных договоров, расширенном аугментациями, поэтому качество за пределами этого типа документов не подтверждено. Лицензия — Apache 2.0.

SE-DiCoW — модель распознавания речи целевого говорящего, разработанная группой BUT Speech@FIT совместно с JHU CLSP/HLTCOE и CMU LTI. Это плотная модель семейства DiCoW с архитектурой DiCoWForConditionalGeneration, содержащая 905,2 млн параметров и основанная на Whisper large-v3-turbo. Она принимает аудио разговоров и формирует текстовую расшифровку речи выбранного говорящего, в том числе при наложении голосов. Модель использует автоматический выбор информативного фрагмента целевого говорящего с передачей признаков через cross-attention и преобразование FDDT, зависящее от диаризации. Обучение с шумовыми возмущениями и SpecAugment предназначено для повышения устойчивости к неточной диаризации. В карточке приведены результаты tcpWER на Libri2Mix, LibriSpeechMix и AMI, включая относительное снижение tcpWER примерно на 75% по сравнению с DiCoW v1 на Libri3Mix. Модель рассчитана на многоязычное распознавание речи в многоголосых разговорах и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не уточняет языки по отдельности и длину контекста; практические результаты зависят от качества аудио и диаризации, а опубликованные метрики ограничены указанными наборами данных и протоколом оценки.

junnyu/structbert-large-zh — неофициальная копия китайской модели StructBERT-large. StructBERT разработана командой Alibaba AliceMind и расширяет BERT дополнительными задачами предобучения, учитывающими порядок слов и предложений. В карточке указано, что копия не создана командой AliceMind. Модель на базе архитектуры BERT предназначена для извлечения признаков из китайского текста и может служить основой для дообучения задач понимания языка. Исходная китайская версия описана как BERT-large; метаданные этой копии указывают 424,3 млн параметров и контекст до 512 токенов. В README приведены результаты исходной версии на китайском бенчмарке CLUE. Карточка не сообщает лицензию для этой копии, поэтому условия её использования следует уточнить в репозитории. Для практического применения потребуется задача или классификационная голова, обученная поверх извлекаемых признаков.

Модель Swahili-question-answer-latest-cased разработана Innocent Charles на основе bert-base-multilingual-cased, дообученной на корпусе KenyaCorpus для извлечения ответов на вопросы на суахили. Она принимает вопрос и текстовый контекст и выделяет в нём фрагмент с ответом; обучающие пары включают вопросы, на которые ответа нет. Модель построена на архитектуре BERT и содержит 205,1 млн параметров. Контекст ограничен 512 токенами. Её можно использовать в системах поиска ответов по документам, в том числе в конвейерах Haystack и Transformers. Указана лицензия CC BY 4.0. Качество зависит от соответствия входного контекста данным и тематике обучения; подробные результаты оценки в доступной карточке не приведены. Модель предназначена для извлечения ответов на суахили, поэтому её не следует считать универсальным генератором ответов или многоязычной QA-моделью.

Retrieva, Inc. разработала эту японскую предварительно обученную модель T5 v1.1 типа Transformer Encoder-Decoder. Она рассчитана на текстовые задачи преобразования текста в текст и может служить основой для дообучения под конкретные сценарии. В обучении использовались японская Википедия и японская часть mC4; обучение выполнено за 2 097 152 шага. В архитектуре T5 v1.1 применяются активация GEGLU и отдельные веса для эмбеддингов и классификатора. Метаданные указывают 123,8 млн параметров и формат PyTorch; в README размер обозначен как Base (~220 млн), поэтому сведения о размере расходятся. Модель предназначена прежде всего для задач на японском языке. Лицензия CC-BY-SA 4.0 допускает коммерческое использование; разработчик просит заранее связаться с ним при коммерческом применении. Карточка не приводит конкретных оценок качества или длины контекста.

TAPAS Base — базовая модель семейства TAPAS, разработанная Google. Это трансформерная архитектура типа BERT с 136,7 млн параметров, предварительно обученная на английских таблицах из Википедии и связанном с ними тексте. Модель поддерживает контекст до 1024 токенов; доступны веса PyTorch и TensorFlow. По умолчанию используется вариант с относительными позиционными эмбеддингами, сбрасывающий индексы позиций в каждой ячейке таблицы; также доступна версия с абсолютными позиционными эмбеддингами. Предобучение включает маскирование токенов и дополнительный этап для рассуждений по таблицам: модель училась определять, подтверждаются ли синтетические утверждения содержимым таблицы. Представления модели можно использовать как признаки для последующей тонкой настройки на ответы на вопросы по таблицам, классификацию и проверку соответствия утверждений таблицам. Сама базовая модель предназначена прежде всего для получения представлений и адаптации под конкретную задачу. Модель рассчитана на текст и структурированные таблицы на английском языке. Она не является готовой системой для ответов на вопросы без дополнительной настройки. Распространяется по лицензии Apache-2.0.

agraharr/telecom-snowflake-arctic-embed-s — компактная модель эмбеддингов предложений, дообученная автором agraharr на базе Snowflake/snowflake-arctic-embed-s для поиска по телекоммуникационным текстам. Это двунаправленная BERT-модель типа bi-encoder, построенная на Sentence Transformers; она кодирует запросы и фрагменты документов в векторы размерности 384, сравниваемые по косинусному сходству. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и рассчитана прежде всего на английский язык. Модель предназначена для векторного поиска и семантического сопоставления в телеком-сценариях: поиска ответов и документов для RAG, работы с вопросами по 5G, 3GPP, ORAN и сетевым операциям, кластеризации и удаления дубликатов. Её можно использовать для получения кандидатов перед ранжированием в ассистенте. Модель не генерирует ответы; для практических систем её выходные векторы следует сочетать с поиском, ранжировщиком или генеративной моделью. Дообучение проводилось с контрастивной целью на парах запрос—положительный фрагмент и внутрибатчевых отрицательных примерах; в README также описана возможность смешивания телеком- и общих данных. Автор рекомендует форматировать входы как query: и passage:. Лицензия — Apache-2.0. Качество нужно проверять на целевом корпусе: специализация может не улучшать общие задачи, а неанглоязычный поиск не следует считать подтверждённым. Для важных решений найденные материалы требуют проверки по авторитетным источникам.

shed-e/thucnews — модель классификации текста на базе hfl/rbt6, дообученная на наборе данных load_train. Это модель BERT с архитектурой BertForSequenceClassification, содержащая 72,8 млн параметров и принимающая последовательности длиной до 512 токенов. На оценочной выборке указаны loss 0,3191 и accuracy 0,9433. Модель предназначена для отнесения текста к классам. Название репозитория указывает на связь с THUCNews, однако карточка не описывает набор меток, состав данных или конкретные сценарии классификации. Лицензия — Apache-2.0.

TimeLens2-2B — компактная мультимодальная языковая модель для видео, разработанная на базе Qwen3-VL-2B-Instruct и дообученная для временной локализации событий. На вход она принимает видео и текстовый запрос, а в ответ возвращает все временные интервалы, в которых присутствуют релевантные визуальные свидетельства. Модель предназначена для поиска событий в видео по описанию и точной привязки найденных фрагментов ко времени. В README сообщается о среднем mIoU 44,5 на семи бенчмарках временной локализации; авторы также указывают, что модель превосходит сопоставимые базовые модели с 2 млрд параметров и TimeLens-8B по среднему mIoU. Модель использует архитектуру Qwen3-VL с плотной конфигурацией и содержит 2 млрд параметров; для работы предусмотрен стек Transformers. Репозиторий распространяется по лицензии Apache-2.0. В доступных материалах не приводятся поддерживаемые языки запросов и предельная длительность видео, поэтому их не следует считать установленными характеристиками.

JeremiahZ/TinyBERT_4L_zh_backup — резервная копия официального репозитория модели Tiny BERT 4L zh, доступная для загрузки через Transformers как BertModel. Это компактная модель семейства BERT с 12,6 млн параметров, предназначенная для извлечения признаков из текста. Карточка связывает её с китайским языком; максимальная длина контекста составляет 512 токенов. Модель можно применять как основу для получения контекстных представлений китайского текста в задачах NLP. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия и конкретные результаты оценки в предоставленных данных не описаны.

VILA-HD-8B-PS3-4K-SigLIP2 — мультимодальная языковая модель NVIDIA для понимания изображений высокого разрешения и ответов на вопросы по ним. Модель основана на PS3-4K-SigLIP2 и использует архитектуру LlavaTopDownLlamaModel; репозиторий содержит веса в формате safetensors. В README заявлен вход для изображений и текста, включая текстовые запросы до 12 288 токенов, и генерация текстовых ответов. Метаданные указывают английский язык. Модель предназначена для извлечения визуальных признаков и анализа изображений, в том числе фотографий с разрешением до 3780 × 3780 пикселей согласно таблице моделей VILA-HD. В примере показан ответ на вопрос о том, куда ведёт выход на изображении. Модель ориентирована на запуск на системах с ускорителями NVIDIA. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; README указывает исследовательскую и разработческую направленность.

Это модель автоматического распознавания речи на базе архитектуры Wav2Vec2ForCTC с 113,3 млн параметров, разработанная автором gary109. Она дообучена на наборе GARY109/AI_LIGHT_DANCE — ONSET-IDMT-MDB-ENST-2, поверх gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base-new_onset-idmt-mdb-2. Репозиторий содержит веса PyTorch. Модель принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: loss 0,6379 и WER 0,3792. Язык распознавания, рекомендуемые сценарии и ограничения применения в карточке не описаны. Лицензия в предоставленных данных не указана.

dorrito-dev/all-MiniLM-L6-v2-pmc-vet-retriever — англоязычный текстовый энкодер Sentence Transformers, дообученный автором на наборе pmc-vet-ntuples для поиска ветеринарной клинической информации. Архитектура основана на BERT: модель содержит около 25,9 млн параметров, формирует плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Метаданные указывают контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и ранжирования клинических текстов: запрос и документы преобразуются в векторы, после чего подходящие фрагменты можно находить по близости векторов. В README приведены результаты оценки на vet-clinical-ir, включая cosine_accuracy@10 0,9929 и nDCG@10 0,9349. Она принимает текст и выдаёт векторы; генерация ответов не заявлена. Лицензия в предоставленных данных не указана.

AriaBERT — предварительно обученная языковая модель для персидского языка, разработанная Vira Intelligent Data Mining. Она предназначена для задач обработки персидского текста; в репозитории представлена архитектура RoBERTa с языковой моделью для заполнения пропусков и токенизатором Byte-Pair Encoding. Модель обучалась на более чем 32 ГБ разнообразных персидских текстов, включая разговорные и формальные материалы, новости, стихи, медицинские и энциклопедические тексты, а также мнения пользователей. AriaBERT можно применять для классификации, анализа тональности и определения позиции в персидских текстах. Карточка сообщает об улучшении результатов на ряде таких задач относительно конкурирующих моделей, но не приводит подробностей наборов данных и методики измерений. Модель содержит 159,3 млн параметров, поддерживает контекст длиной до 514 токенов и опубликована в формате PyTorch. Лицензия — Apache-2.0.

fpc/bge-micro-smiles — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на основе TaylorAI/bge-micro. Она кодирует текстовые описания и строки SMILES в плотные векторы размерности 384 для оценки семантического сходства по косинусной близости. Обучение проводилось на 3 210 255 парах «описание — положительный пример» с использованием CachedMultipleNegativesRankingLoss. Модель предназначена для сопоставления названий и описаний химических соединений с их представлениями SMILES. Её можно применять для семантического поиска, поиска похожих соединений, выявления перефразировок, кластеризации и классификации текста. Архитектура — BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Репозиторий содержит форматы ONNX и safetensors. Лицензия — Apache-2.0.