I.3Извлечение и структурирование данных

Это крупная модель распознавания именованных сущностей для немецкого языка, входящая в библиотеку Flair. Она размечает текст четырьмя классами сущностей: именами людей, географическими названиями, организациями и ещё одним классом, который в карточке не раскрыт. Модель основана на контекстных представлениях XLM-R на уровне документа и архитектуре FLERT; для неё заявлен F1-score 92,31 на пересмотренной немецкой версии CoNLL-03. Модель предназначена для извлечения именованных сущностей из немецких текстов и может использоваться в конвейерах обработки документов, новостей и других текстовых материалов. В метаданных указан формат PyTorch и лицензия не приведена. Результат зависит от соответствия входных текстов немецкому языку и домену обучающей выборки CoNLL-03; карточка также не раскрывает значение четвёртого тега.

onnx-community/nougat-small-ONNX — ONNX-версия модели facebook/nougat-small, автоматически конвертированная и опубликованная сообществом ONNX Community. Оригинальная модель Nougat разработана Lukas Blecher, Guillem Cucurull, Thomas Scialom и Robert Stojnic в рамках проекта Facebook Research. Модель предназначена для преобразования изображений страниц научных PDF-документов в структурированный текст в формате Markdown. Она принимает пиксельное изображение документа и авторегрессионно генерирует его текстовое представление, включая содержимое, подходящее для последующей обработки и использования в сценариях извлечения данных из академических публикаций. Архитектура включает визуальный энкодер Swin Transformer и текстовый декодер mBART. Это небольшая версия Nougat, соответствующая варианту 0.1.0-small; модель работает в режиме image-to-text и распространяется в формате ONNX, что подходит для запуска через Transformers.js. Языки, размер контекста и точные параметры модели в карточке не указаны. Модель ориентирована прежде всего на научные PDF-документы и может быть ограничена качеством исходного изображения, сложностью разметки и отличиями документов от обучающих данных. Модель распространяется по лицензии CC BY 4.0.

NuNER-v1.0 — англоязычная модель распознавания именованных сущностей от NuMind, представленная в работе «NuNER: Entity Recognition Encoder Pre-training via LLM-Annotated Data». Это RoBERTa-base, дообученная на данных NuNER; модель содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать для извлечения эмбеддингов и дообучать на размеченных наборах данных для конкретных схем сущностей. Модель предназначена для распознавания сущностей в английском тексте, в том числе при небольшом количестве примеров для обучения. В README сообщается о результатах, сопоставимых с UniversalNER 7B на описанных оценках. Авторы рекомендуют более новую NuNER v2.0. Веса опубликованы в формате safetensors под лицензией MIT.

OCR-LayoutLMv3-Invoice — модель извлечения полей из чеков и документов с разметкой, разработанная на основе microsoft/layoutlmv3-base и дообученная на наборе данных wild_receipt. Она использует архитектуру LayoutLMv3 для классификации токенов с учётом текста и пространственной структуры документа. В README приведены результаты оценки на тестовой выборке: F1 0,8789, точность 0,9268, полнота 0,8812. Модель предназначена для распознавания и классификации текстовых фрагментов в чеках и счетах, например для извлечения структурированных данных из сканов. Размер — 151,8 млн параметров, формат весов — PyTorch, длина контекста — 514 токенов. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «Сохраняй лицензию», но запрещает коммерческое использование. Карточка не описывает подробный состав меток, точный процесс OCR или поддержку языков. Приведённые метрики относятся к оценке на wild_receipt и не гарантируют аналогичное качество на других типах документов.

OPENER-Sup — модель для распознавания и типизации сущностей в открытом наборе классов, разработанная авторами OPENER. Это дообученный на контрастивных примерах текстовый эмбеддер на базе NomicBert из nomic-ai/nomic-embed-text-v1.5; он формирует векторы упоминаний, а для supervised-режима к ним применяется небольшой сбалансированный линейный классификатор LinearSVC, обученный на размеченных примерах целевых классов. В описанном конвейере обнаружение упоминаний выполняет замороженный GLiNER-L, затем OPENER-Sup кодирует их для типизации. Модель предназначена для открытого распознавания именованных сущностей и их классификации по пользовательским меткам. README сообщает результаты на бенчмарке из 13 датасетов: 40,2 end-to-end AMI и 62,5 на эталонных упоминаниях; указаны также вычислительная эффективность около 143 мс и 1,6 Вт·ч. Контекст модели — 2048 токенов. Для применения supervised-классификатора нужны размеченные целевые упоминания; веса классификационной головы обучаются под конкретный набор меток. Лицензия репозитория — MIT.

Polygraf NER Stage 4 — модель распознавания именованных сущностей, разработанная в рамках технического задания Polygraf Applied NLP. Она дообучена целиком на базе distilbert-base-cased и выполняет токенную классификацию английского текста, выделяя восемь типов сущностей: людей, организации, места, даты и время, продукты, произведения искусства, должности и суммы. Модель содержит около 65,2 млн параметров, использует формат safetensors и принимает контекст до 512 токенов. На тестовой выборке модель показала micro-F1 0,826; сохранение регистра помогает находить имена собственные, в частности названия произведений, организаций и продуктов. Весам предоставлена лицензия Apache 2.0. В README указано, что модель переобучается на обучающей выборке, часто предсказывает сущности с избыточным охватом и путает некоторые типы именованных сущностей. Метрики сравнивают предсказания с несовершенной разметкой; условия лицензирования обучающих данных описаны отдельно в карточке датасета.

PaddlePaddle/PP-DocLayoutV3_safetensors — веса PP-DocLayoutV3 в формате safetensors, подготовленные PaddlePaddle для использования с Transformers. Модель предназначена для анализа структуры документов, включая изображения с искривлёнными и неплоскими поверхностями: она обнаруживает элементы макета, предсказывает для них многоугольные рамки и определяет логический порядок чтения за один проход. Модель используется как компонент PaddleOCR-VL 1.5/1.6 и GLM-OCR для разбора документов. В карточке указана поддержка английского и китайского языков, а лицензия — Apache-2.0. Ограничение области применения: модель ориентирована на анализ макета документов и сама по себе не описана как универсальная система распознавания и понимания текста.

PP-OCRv4_server_det — серверная модель обнаружения текстовых областей из серии PP-OCRv4_det, разработанная командой PaddleOCR. Она находит строки текста на изображениях и предназначена для развёртывания на производительных серверах, где важна точность. Модель используется как модуль обнаружения в OCR-конвейере PP-OCRv4; для распознавания найденных строк конвейер дополнительно применяет отдельную модель распознавания текста. В README приведены метрики для рукописного и печатного китайского и английского текста, традиционного китайского, японского, исторических текстов, а также изображений с поворотом, искажением и художественным оформлением. Лицензия — Apache-2.0. В метаданных указана библиотека PaddleOCR и языки en и zh.

QuCo-extractor-0.5B — компактная модель извлечения сущностей и отношений, разработанная для системы QuCo-RAG. Она дообучена на Qwen2.5-0.5B-Instruct и извлекает из предложений триплеты знаний вида «сущность — отношение — сущность». Модель предназначена для подготовки данных о связях между сущностями в корпусе, чтобы оценивать неопределённость и динамически подключать поиск в системах Retrieval-Augmented Generation (RAG). Это плотная причинная языковая модель семейства Qwen2 с 494 млн параметров, работающая с текстом и контекстом до 32 768 токенов. В карточке указана лицензия other; конкретные условия использования по этим данным установить нельзя. Качество извлечения, поддерживаемые языки и известные ограничения в карточке не описаны.

lmstudio-community/Qwen2.5-VL-32B-Instruct-GGUF — мультимодальная инструкционная модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в формате GGUF. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для работы с текстом и изображениями, включая анализ визуального содержимого и выполнение задач по инструкциям. Модель подходит для распознавания объектов, анализа текста на изображениях, таблиц, диаграмм, значков, графики и макетов. Она также может использоваться как визуальный агент для рассуждений и динамического управления инструментами, включая сценарии взаимодействия с компьютером и телефоном. Поддерживаются структурированные ответы и стабильная генерация JSON, а также многоязычная работа. Заявленная длина контекста составляет 128 000 токенов, размер модели — 32B параметров. К сильным сторонам относятся развитый анализ визуальной информации, поддержка длинного контекста, мультимодальность, многоязычность и способность формировать структурированные результаты. Это квантизированная community-версия, поэтому её характеристики могут зависеть от конкретной квантизации и среды запуска; как и другие языковые модели, она может генерировать неточные или неподходящие ответы. Лицензия модели — Apache 2.0.

Qwen2.5-VL-72B-Instruct-GGUF — мультимодальная instruct-модель семейства Qwen2.5-VL, разработанная Qwen и представленная в формате GGUF. Квантизация выполнена bartowski на основе llama.cpp версии b5317. Модель предназначена для работы с текстом и изображениями. Модель подходит для анализа изображений, распознавания объектов, чтения и интерпретации текста, таблиц, графиков, значков, схем и элементов макета. Она также рассчитана на сценарии визуального агента с рассуждением и динамическим управлением инструментами, включая взаимодействие с компьютером и телефоном. Поддерживает структурированный вывод и формирование стабильного JSON, а также многоязычную работу. Заявленная длина контекста составляет 128 тысяч токенов. README не уточняет точную архитектуру, перечень поддерживаемых языков и параметры конкретного файла квантизации, поэтому производительность и требования к ресурсам зависят от выбранного варианта GGUF. Как и другие генеративные модели, модель может выдавать неточные, вредоносные или неподходящие результаты. Лицензия указана как qwen и other; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-72B-Instruct.

Qwen2-VL-OCR-2B-Instruct — дообученная PrithivMLmods мультимодальная модель на базе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, преобразования изображений в текст и решения математических задач с выводом формул в LaTeX. Модель семейства Qwen2-VL имеет плотную архитектуру условной генерации, содержит 1,5 млрд параметров и работает с изображениями и текстовыми запросами; заявленная длина контекста — 32 768 токенов. Модель подходит для извлечения текста и формул из изображений, ответов на вопросы по визуальным материалам и диалоговой работы с изображениями. В карточке заявлена поддержка текста на английском и китайском, а также многих других языков внутри изображений. Унаследованные возможности базовой Qwen2-VL включают анализ видео, однако специальное дообучение здесь описано прежде всего для OCR и математических задач. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит независимых оценок точности именно этой версии; заявленные характеристики базового семейства не гарантируют аналогичные результаты на всех типах документов и языках.

Qwen3-0.6B-JSON-SFT — небольшая языковая модель семейства Qwen3, дообученная методом supervised fine-tuning (SFT) для генерации текста в формате JSON. Модель опубликована пользователем Hugging Face ksyoung0215 и предназначена для использования через библиотеку Transformers. Модель имеет около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Основной сценарий — генерация структурированных ответов, извлечение данных в заданную JSON-схему и автоматизация задач, где результат должен быть пригоден для машинной обработки. Доступен pipeline text-generation; в метаданных также указана conversational-ориентация. Небольшой размер может упростить локальный запуск и снизить требования к ресурсам, однако README не содержит результатов оценки качества, сведений о датасете, точной архитектуре, поддерживаемых языках, разработчиках или лицензии. Перед использованием в критически важных системах необходимы собственное тестирование корректности JSON, устойчивости к сложным запросам и качества на целевых данных.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, опубликованная Red Hat AI. Это MoE-модель для диалога и генерации ответов по тексту и визуальным данным; в README указана конфигурация с 30 млрд параметров и активной частью A3B. Она предназначена для анализа изображений и видео, визуального рассуждения, OCR, пространственного понимания и взаимодействия с инструментами. Модель также может распознавать интерфейсы и выполнять задачи через GUI, а по изображениям и видео создавать код для Draw.io, HTML, CSS и JavaScript. README заявляет контекст 256 тысяч токенов с возможностью расширения до 1 млн, поддержку OCR на 32 языках и улучшенное понимание длительных видео с привязкой событий ко времени. Среди архитектурных особенностей названы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Лицензия — Apache-2.0. Описание не приводит результатов бенчмарков или точного перечня поддерживаемых языков; заявленные возможности и качество следует оценивать на целевых данных и сценариях.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, представленная Unsloth как репозиторий весов с исправлениями шаблона чата. Она предназначена для диалога по изображениям и видео, визуального распознавания, OCR, пространственных рассуждений и взаимодействия с графическими интерфейсами через инструменты. Также поддерживает генерацию текста и решение задач STEM и математики с опорой на визуальные данные. Модель использует архитектуру Qwen3-VL MoE и распространяется в формате safetensors. В README указано контекстное окно 256 тыс. токенов с возможностью расширения до 1 млн. Заявлена поддержка OCR на 32 языках, однако их перечень в предоставленных данных отсутствует. Лицензия — Apache-2.0. В README описаны сильные стороны в понимании видео с временными метками, разборе длинных документов и мелких визуальных деталей, а также в работе с интерфейсами и пространственными отношениями. Эти заявления не сопровождаются приведёнными в карточке результатами тестирования; фактическое качество может зависеть от сценария и конфигурации запуска.

raging1.0-0.5B-fp16 — компактная языковая модель на 494 млн параметров, дообученная sajibsrs на Qwen/Qwen2.5-0.5B-Instruct для подготовки данных в конвейерах RAG. Это плотная авторегрессионная архитектура Qwen2, опубликованная в формате safetensors с точностью FP16; контекст — до 32 768 токенов. Модель предназначена для извлечения сущностей и отношений в виде JSON-троек, форматирования ответов по заданной схеме и краткого фактологического пересказа текста. Её можно использовать как быстрый первый этап обработки документов перед загрузкой в RAG-хранилище или граф знаний. В README приводятся улучшения точности извлечения троек и скорости относительно базовой модели, измеренные на небольшой выборке с 4-битной версией MLX; результаты зависят от оборудования и не являются гарантией качества FP16-модели. Лицензия — Apache-2.0. Модель ориентирована на одношаговое структурированное извлечение, а не на диалог. Она может объединять несколько сущностей в одну, оставлять местоимения вместо разрешённых имён и хуже справляться со сложными вложенными или условными JSON-схемами; результаты рекомендуется проверять по схеме, а при ошибках передавать более крупной модели.

Карточка модели sapienzanlp/relik-reader-deberta-v3-large-aida на Hugging Face совпадает с карточкой sapienzanlp/relik-reader-deberta-v3-base-aida, поэтому описание составлено по ней. Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.

Модель guishe/span-marker-generic-ner-v1-fewnerd-fine-super — англоязычная модель распознавания именованных сущностей на архитектуре SpanMarker. Она разработана на основе numind/generic-entity_recognition_NER-v1 и дообучена на наборе FewNERD; для обработки использует библиотеку SpanMarker и веса PyTorch в формате safetensors. Модель размечает текст категориями сущностей, охватывающими, среди прочего, людей, организации и объекты культуры. Модель предназначена для извлечения сущностей из английского текста и может быть дообучена на собственных данных. Максимальная длина последовательности составляет 256 токенов, максимальная длина распознаваемой сущности — 8 слов. Лицензия — CC BY-SA 4.0, поэтому при использовании и распространении производных материалов следует соблюдать её условия.

InternScience/StructTable-base — модель семейства Pix2Struct, разработанная авторами StructEqTable для преобразования изображений таблиц в код LaTeX. Она предназначена для извлечения структуры таблиц из научных документов и может применяться в задачах последующего анализа табличных данных. В карточке указаны варианты с 4096 и 2048 визуальными токенами; размер модели составляет около 300 млн параметров, обучение проводилось на DocGenome. Версия с аугментацией данных заявлена как более быстрая и устойчивая при инференсе. Модель принимает изображение таблицы и по умолчанию выдаёт текст с разметкой LaTeX. README сообщает о поддержке таблиц из научных документов и китайской версии. Для простых таблиц LaTeX-вывод можно преобразовать в HTML или Markdown внешним инструментом; поддержка объединённых ячеек при таком преобразовании ограничена. Точность может снижаться на шрифтах, отличных от Times New Roman и 宋体. Репозиторий распространяется по лицензии Apache-2.0.

Это дообученная модель Table Transformer для обнаружения объектов в изображениях таблиц. Она создана на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e5_dec1e4_bs8 и опубликована nsugianto. Модель предназначена для поиска элементов таблиц; карточка не уточняет набор обнаруживаемых классов и обучающие данные. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и распространяется в формате safetensors. Контекст указан как 1024 токена, хотя для задачи обнаружения объектов важнее обработка изображения. Лицензия — MIT. Язык данных и конкретные ограничения качества не описаны.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_394s_adjpar6_lr1e5_dec1e4_bs8 — дообученная версия модели распознавания структуры таблиц на базе Table Transformer. Она предназначена для обнаружения объектов на изображениях таблиц, например их структурных элементов. В README указано, что модель дообучена на неизвестном наборе данных, поэтому конкретные типы размечаемых элементов и качество не описаны. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и сохранена в формате safetensors. Для применения к изображениям таблиц подходит как компонент конвейера извлечения структуры документов. Лицензия — MIT.

TF-ID-large — модель компьютерного зрения, разработанная Yifei Hu для поиска таблиц и рисунков на страницах научных статей. Это версия семейства TF-ID с 0,77 млрд параметров, дообученная на контрольных точках Microsoft Florence-2. На вход подаётся изображение одной страницы статьи; модель возвращает рамки объектов и их метки, включая подписи к таблицам и рисункам. Модель предназначена для извлечения структурных элементов научных публикаций и подготовки страниц к дальнейшему разбору или индексации. В проверке на 258 страницах статей вне обучающей выборки корректный результат получен для 253 страниц (98,06%); при этом возможны лишние или дробящие один объект рамки. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — MIT.

Triplex — языковая модель, разработанная SciPhi.AI для построения графов знаний из неструктурированных данных. Она извлекает из текста триплеты в формате «субъект — предикат — объект», а также выполняет распознавание именованных сущностей с использованием заданных типов сущностей и предикатов. Модель предназначена для локального создания графов знаний и может применяться в сценариях RAG, включая подходы, аналогичные Graph RAG, а также в составе платформы SciPhi R2R. Triplex представляет собой дообученную версию Phi-3-3.8B. В README не указаны точные характеристики контекстного окна, поддерживаемые языки и модальности, поэтому эти параметры нельзя достоверно оценить. Заявлены снижение стоимости построения графов знаний на 98% и превосходство над GPT-4 при стоимости примерно в 60 раз ниже, однако подробности методики бенчмарка не приведены. Для работы требуется запуск генерации через Transformers; пример использования ориентирован на GPU с CUDA. Ограничения включают зависимость качества результата от заданных типов сущностей и предикатов, а также отсутствие в README подробных данных о точности и языковой поддержке. Веса распространяются по лицензии CC BY-NC-SA 4.0. Исследовательское и личное использование разрешено. Для организаций с валовой выручкой менее 5 млн долларов США за последние 12 месяцев SciPhi.AI заявляет отказ от ограничений для коммерческого использования; для остальных случаев, а также для снятия требований GPL при двойном лицензировании, необходимо обратиться к разработчикам.

QuantFactory/Triplex-GGUF — квантизированная версия модели SciPhi/Triplex, созданная с использованием llama.cpp. Исходную модель разработала SciPhi.AI; она дообучена на базе Phi-3 3.8B и предназначена для построения графов знаний из неструктурированных данных. Модель извлекает из текста триплеты — простые утверждения, состоящие из субъекта, предиката и объекта. Она рассчитана на сценарии автоматического формирования графов знаний и локальной обработки данных, включая использование с R2R для построения графов в системах RAG. В README заявлено снижение стоимости создания графов знаний на 98% по сравнению с традиционными подходами, превосходство GPT-4 в указанном сравнении и работа примерно за 1/60 стоимости GPT-4; подробности бенчмарка не приведены. Архитектура основана на Phi-3 с размером 3,8 млрд параметров, а формат GGUF предназначен для запуска через llama.cpp. Модель принимает текстовые данные и использует заданные типы сущностей и предикаты; поддерживаемые языки и размер контекстного окна в карточке не указаны. Ограничения также включают специализацию на извлечении структурированных отношений, поэтому модель не следует рассматривать как универсальную разговорную LLM. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и распространение на аналогичных условиях, но не коммерческое применение.

Typhoon-OCR-1.5-3B-QAT — мультимодальная модель для распознавания текста и разбора документов, разработанная Typhoon AI на базе Qwen2.5-VL-3B. Это версия с обучением с учётом квантования (QAT), выпущенная в формате bfloat16 и предназначенная для последующего преобразования в низкую точность, например 4-битную, с меньшей потерей качества. Архитектура — плотная vision-language модель Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Модель рассчитана на OCR на английском и тайском языках, включая рукописные заметки, формы, таблицы, чеки, диаграммы и документы со сложной или нерегулярной разметкой. Она предназначена для запуска на устройствах с ограниченными ресурсами и должна использоваться с предусмотренным форматом промпта. Это специализированная OCR-модель, а не универсальная система визуальных вопросов и ответов; в результатах возможны галлюцинации, поэтому их следует проверять перед производственным использованием. Лицензия — Apache-2.0.

creemur/xlm-roberta-base-finetuned-panx-de — модель токеновой классификации на базе XLM-RoBERTa Base, дообученная для задачи PAN-X на немецком языке. Архитектура — плотная XLM-RoBERTa с головой классификации токенов; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и присваивает метки его токенам, что подходит для извлечения сущностей в немецком тексте. В README указана оценка F1 0,8602 и loss 0,1426 на тестовой выборке. Датасет описан как неизвестный, поэтому состав меток и охват доменов по карточке установить нельзя. Модель распространяется по лицензии MIT.

Модель h1nadesu/xlm-roberta-base-finetuned-panx-de — дообученная для классификации токенов версия XLM-RoBERTa Base. По названию модели и оценке на наборе PAN-X она предназначена для распознавания именованных сущностей на немецком языке: модель присваивает метки отдельным токенам текста. В README указаны loss 0,1610 и F1 0,8603 на оценочной выборке. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки токенов. Распространяется по лицензии MIT. README не раскрывает классы сущностей и подробности обучения, а указанная оценка сама по себе не гарантирует качество на других данных.

mocher72/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa, дообученная для классификации токенов. Она предназначена для разметки последовательностей, например распознавания именованных сущностей в тексте. В README указаны результаты оценки: F1 0,8629 и loss 0,1338; обучающий датасет не описан. Модель содержит 305,2 млн параметров, принимает текст, а контекст составляет до 514 токенов. Репозиторий распространяется в формате safetensors по лицензии MIT.

cmhyo/xlm-roberta-base-finetuned-panx-de-fr — модель классификации токенов на базе XLM-RoBERTa Base, дообученная для задачи разметки последовательностей. Суффикс имени указывает на ориентированность на немецкий и французский языки; README сообщает о дообучении на датасете, название которого не приведено. В оценке на тестовом наборе указаны loss 0,1642 и F1 0,8610. Модель содержит 305,2 млн параметров, имеет контекст длиной до 514 токенов и распространяется в формате Safetensors. Лицензия — MIT.

Модель powerwook/xlm-roberta-base-finetuned-panx-de-fr — дообученная версия XLM-RoBERTa-base для классификации токенов. Она предназначена для разметки последовательностей, в частности для распознавания именованных сущностей в немецком и французском текстах; на указанном в карточке наборе оценки достигла F1 0,8593. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для извлечения сущностей из текстов на немецком и французском языках. Она распространяется в формате safetensors по лицензии MIT. В карточке не раскрыты подробности обучающего набора и метки классов, поэтому качество для конкретных типов сущностей и других языков не установлено.