I.3Извлечение и структурирование данных

ITALIAN-LEGAL-BERT — итальянская языковая модель на архитектуре BERT, разработанная для работы с юридическими текстами. Она основана на bert-base-italian-xxl-cased и дополнительно предобучена на корпусе итальянского гражданского права из Национального архива судебной практики. В карточке указано около 137,9 млн параметров; модель использует маскированное языковое моделирование и принимает последовательности длиной до 512 токенов. Основное применение — заполнение пропусков в итальянских юридических текстах. Представления модели также можно использовать как основу для задач классификации предложений, распознавания именованных сущностей и оценки сходства предложений после настройки под конкретный сценарий. Авторы сообщают о лучших результатах на ряде специализированных задач по сравнению с общеязыковой итальянской BERT-моделью. Модель доступна в форматах PyTorch и Safetensors. Лицензия — AFL-3.0. Указанное в README расширение на длинные документы относится к отдельным вариантам семейства, а не к этой модели; контекст данной версии ограничен 512 токенами.

mattohan/job-tracker-email-classifier — дообученная модель классификации писем о поиске работы, созданная на основе BAAI/bge-small-en-v1.5. Она распределяет письма по пяти категориям; в карточке названы подтверждение получения заявки, отказ и приглашение на собеседование. Модель предназначена для работы в браузере через Transformers.js и опубликована в формате ONNX; доступны квантованный вариант размером 32,5 МБ и полный вариант размером 127,6 МБ. Модель обучена на примерно 28 тысячах исходных писем и дополненных фрагментов с использованием curriculum learning. В README заявлена точность 100% на валидации как для полных писем, так и для фрагментов, однако подробности методики оценки не приведены. Модель ориентирована на английские письма, имеет около 40 млн параметров и контекст до 512 токенов. Лицензия — MIT; выполнение классификации в браузере позволяет не отправлять содержимое писем на сервер.

Kimi-VL-A3B-Thinking-4bit — мультимодальная модель семейства Kimi-VL, подготовленная сообществом mlx-community в 4-битном формате для MLX. Репозиторий указывает, что модель конвертирована из moonshotai/Kimi-VL-A3B-Thinking; метаданные связывают её компоненты с InternViT-300M-448px-V2_5 и Qwen2.5-0.5B. Архитектура представлена классом KimiVLForConditionalGeneration. Модель принимает изображения и текст и формирует текстовые ответы; её можно применять для диалога с визуальным содержимым, например для вопросов об изображениях. Метаданные отмечают поддержку нескольких языков, но не называют конкретные языки. Доступна в формате safetensors; README указывает на использование через mlx-vlm. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой исходной модели moonshotai/Kimi-VL-A3B-Thinking. Карточка сообщества не приводит подробностей об оценке качества или ограничениях исходной модели.

tjoab/latex_finetuned — модель распознавания рукописных математических выражений и преобразования их изображений в LaTeX. Она разработана дообучением TrOCR от Microsoft, архитектура которой относится к vision-encoder-decoder, и предназначена для обработки одного выражения на изображении. Для дообучения использован набор MathWriting от Google, содержащий более 500 тысяч рукописных математических выражений. Модель принимает изображение и генерирует текстовую запись LaTeX; в оценке по метрике CER получен результат 14,9%. Длинные выражения распознаются хуже, а соотношение сторон изображения около 3:2 показало себя предпочтительным. Лицензия в предоставленных данных не указана.

Gerwin/legal-bert-dutch-english — модель BERT, дообученная автором на юридических текстах на нидерландском и английском языках на основе многоязычной mBERT. Для дальнейшего обучения использовались 184 тысячи нормативных актов, решений, директив и парламентских запросов объёмом около 295 миллионов слов. Модель предназначена для извлечения признаков из юридических текстов и может служить основой для последующей тонкой настройки классификаторов, например для распределения документов по правовым темам. Модель содержит 194,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. В README приведены результаты классификации правовых тем на нидерландском и английском языках и многоклассовой классификации двуязычных документов. Для её использования требуется дообучение под конкретную задачу; результаты зависят от данных и процедуры настройки. Лицензия — Apache 2.0.

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct — мультимодальная модель семейства LLaVA, разработанная на основе Meta-Llama-3-8B-Instruct. Она предназначена для диалогов и понимания изображений: принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. Репозиторий содержит объединённые веса; при обучении на этапе предварительной настройки обучался только визуально-языковой проектор, а при дообучении LLM использовался LoRA при замороженном визуальном энкодере CLIP. Модель содержит около 7,5 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения указаны наборы LCS-558K и LLaVA-Instruct-665K. Доступный формат весов — safetensors. Лицензия в предоставленных сведениях не указана.

LuxemBERT-v2 — языковая модель на архитектуре BERT, разработанная Isabella Olariu, Cedric Lothritz, Tegawendé F. Bissyandé и Jacques Klein для люксембургского языка. Модель представляет собой двунаправленный Transformer для masked language modeling и доступна в библиотеке Transformers как модель fill-mask. Модель предназначена для восстановления замаскированных токенов и последующей адаптации к задачам обработки люксембургского текста, включая разметку частей речи, распознавание именованных сущностей, классификацию намерений и новостных материалов. Она продолжает предварительное обучение LuxemBERT на расширенном корпусе люксембургских текстов с применением методов аугментации данных. Модель содержит 136,3 млн параметров, использует 12 Transformer-блоков и поддерживает контекст до 514 токенов. Основной язык — люксембургский. Модель ориентирована на текстовые задачи и не предназначена для генерации длинных текстов или обработки изображений, аудио и видео. В исследовательской оценке её результаты зависели от downstream-задачи; для некоторых задач она уступала базовым моделям. Лицензия в доступных данных не установлена.

ShadowB / Abdelhadi Marjane разработал модель сегментации YOLO26s для анализа макета страниц манги. Она выделяет три типа областей: панели и рамки, текстовые фрагменты, а также речевые и повествовательные пузыри. Модель на базе Ultralytics предсказывает ограничивающие рамки, классы, оценки уверенности и пиксельные маски; размер составляет около 11,4 млн параметров. Модель предназначена для подготовки страниц манги к OCR, восстановлению порядка чтения, переводу, очистке текста и проверке человеком. Она обрабатывает изображение страницы и визуально находит области, но не распознаёт и не переводит текст. В карточке указаны японские страницы манги и обучение на данных, производных от Manga109; репозиторий распространяется по лицензии MIT, при этом лицензии и условия доступа к датасетам могут отличаться. На валидационном разделении указаны mask mAP@0.5 0,97013 и mask mAP@0.5:0.95 0,84573. Результаты могут ухудшаться на цветных комиксах, вебтунах, сканах низкого разрешения, страницах с необычной компоновкой, мелким или стилизованным текстом и сложными границами панелей; для производственного применения рекомендуется визуальная проверка.

Moondream — компактная плотная модель для обработки изображений и текста, разработанная командой Moondream. Этот репозиторий содержит выпуск от 14 апреля 2025 года; модель предназначена для эффективной работы на широком спектре устройств и сценариев. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для вопросов об изображениях и других задач визуально-языкового взаимодействия. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит размер модели, поддерживаемые языки и подробные сведения о качестве или ограничениях, поэтому эти характеристики нельзя уточнить по имеющимся данным.

Это модель RoBERTa-base, адаптированная к текстам о кино и дообученная для распознавания именованных сущностей (NER) на наборе MIT Movie. Её разработал автор репозитория thatdramebaazguy; модель предназначена для извлечения сущностей из англоязычных запросов и описаний фильмов. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведены результаты оценки на MIT Movie: F1 0,8876, точность 0,887 и полнота 0,8881. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии CC BY 4.0. Её оценивали на MIT Movie, поэтому качество на других жанрах текстов и языках может отличаться; карточка не приводит отдельной оценки обобщения за пределами этого набора.

PaddleOCR-VL-For-Manga — модель оптического распознавания текста в изображениях манги, разработанная на основе PaddleOCR-VL и дообученная для японских реплик в облачках и стилизованных шрифтов. Это плотная мультимодальная модель класса PaddleOCRVLForConditionalGeneration с 318,2 млн параметров; она принимает изображения и выдаёт распознанный текст. Контекст составляет до 131 072 токенов. Модель обучалась на Manga109-s и 1,5 млн синтетических примеров; в тесте на фрагментах Manga109-s она показала 70% точности распознавания целых предложений против 27% у исходной PaddleOCR-VL. Модель предназначена для распознавания японского текста в страницах и фрагментах манги, в том числе при необычном начертании. Её можно использовать через Transformers, PaddleOCR или библиотеки, совместимые с PaddleOCR-VL. Карточка отмечает поддержку японского и многоязычного текста, однако специализация этой версии — японская манга. Лицензия — Apache-2.0. Ошибки могут затрагивать визуально похожие символы и различия между полноширинными и полуширинными знаками; метрики посимвольной ошибки не всегда отражают практическую эквивалентность таких вариантов.

Модель marysanford/policlim — классификатор текста, разработанный для выявления значимости темы изменения климата в политических текстах. Она дообучена на базе XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Для обучения использованы 3 434 вручную размеченных квазипредложения из политических манифестов. Модель предназначена для классификации высказываний в манифестах и политических документах по тому, насколько заметно в них представлена тема изменения климата. В README сообщается о F1 0,935 и точности 0,957 на валидации. Многоязычная основа XLM-RoBERTa не подтверждает автоматически, что этот классификатор одинаково хорошо работает на всех языках: обучение описано на корпусе политических манифестов, но конкретные языки и переносимость на другие жанры не перечислены. Лицензия модели в предоставленных данных не указана.

Это модель классификации предложений о французской политике, разработанная mazancourt и обученная с помощью AutoNLP. Она относит отдельное предложение к одному из трёх классов: проблема, решение или прочее. Модель основана на CamemBERT, содержит 137,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для анализа политических речей и публикаций, например для поиска формулировок проблем и предлагаемых решений. Валидационная точность составляет около 81%, а macro F1 — около 0,77. Обучающие примеры извлечены из французских политических твитов и выступлений, поэтому качество на других жанрах, темах и языках может быть ниже. Лицензия в предоставленных сведениях не указана.

lunarlist/pos_thai — модель Lunarlist для разметки частей речи в тексте на тайском языке. Это дообученная версия Geotrend/bert-base-th-cased на наборе данных lunarlist/tagging_thai, построенная на архитектуре BERT и предназначенная для классификации токенов. Модель содержит 119,8 млн параметров и поддерживает контекст до 512 токенов. В README сообщаются результаты оценки: F1 0,9533, точность 0,9693, precision 0,9525 и recall 0,9540. Модель принимает текст и выдаёт метки частей речи для его токенов. Модель распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанному в карточке набору и не гарантируют аналогичное качество на других данных.

roberta-base-ca-v2-cawikitc — модель для классификации текстов на каталанском языке без обучения на целевых метках. Её разработала команда Projecte AINA, дообучив RoBERTa-base-ca-v2 на наборе CaWikiTC, преобразованном в задачу распознавания текстового следования (NLI). Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. Модель сопоставляет текст с заданными категориями и определяет, какая из них подходит, используя шаблон гипотезы «Aquest article tracta sobre {}.» («Эта статья о {}»). Она предназначена прежде всего для тематической классификации каталанских статей, включая сценарии с малым количеством размеченных данных. В оценке TeCla взвешенная F1 составила 75,0 для четырёх укрупнённых классов и 49,1 для 53 детальных классов. Модель выпущена под лицензией Apache 2.0. Она обучалась на текстах, основанных на Википедии, и фиксированном шаблоне гипотезы, поэтому может хуже обобщать на другие типы текстов и формулировки категорий. Систематическая оценка предвзятости и токсичности не проводилась.

Voix7/rtdetrv2-floorplan-v2 — модель обнаружения объектов на изображениях, разработанная дообучением PekingU/rtdetr_v2_r50vd. Она предназначена для распознавания элементов на планах помещений: в оценочных результатах отдельно приведены метрики для окон, дверей и лестниц. Архитектура RT-DETRv2 реализована для Transformers, веса опубликованы в формате safetensors. На оценочном наборе указаны mAP 0,6663 и mAP@50 0,758; для окон mAP составляет 0,7714, для дверей — 0,685, для лестниц — 0,5424. Датасет и подробные условия обучения в карточке не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие планы. Модель распространяется по лицензии Apache-2.0.

S2T-SMALL-LIBRISPEECH-ASR — модель автоматического распознавания речи семейства Speech to Text Transformer (S2T), опубликованная в репозитории Facebook. Это последовательностная модель encoder-decoder на базе трансформера с 15,1 млн параметров: энкодер обрабатывает акустические признаки, а декодер авторегрессионно генерирует транскрипцию. Для обучения использовались признаки log-mel фильтрового банка и SentencePiece с регистронезависимым текстом. Модель предназначена для преобразования английской речи в текст, в частности для расшифровки записей, похожих на аудиокниги LibriSpeech. Обучение проводилось на корпусе LibriSpeech ASR, содержащем около 1000 часов английской речи с чтением вслух. В карточке приведены результаты WER 4,3 на тестовой части clean и 9,0 на other. Модель принимает аудио, представленное акустическими признаками, и выдаёт текстовую транскрипцию. Модель выпущена по лицензии MIT. Её специализация на английской речи с чтением вслух ограничивает применимость к другим языкам, спонтанной речи, шумным записям и сценариям, отличающимся от данных LibriSpeech.

mlx-community/SmolVLM2-500M-Video-Instruct-mlx — конверсия в формат MLX модели SmolVLM2-500M-Video-Instruct, опубликованная сообществом mlx-community. Это компактная мультимодальная модель семейства SmolVLM для ответов на вопросы и создания текстовых описаний по видео; в метаданных также указана возможность работы с изображениями. Модель принимает визуальные данные и текстовые запросы, а выдаёт текст. Архитектура — плотная SmolVLMForConditionalGeneration; в карточке указано преобразование исходной модели в формат MLX с помощью mlx-vlm 0.1.13, а файлы репозитория представлены в safetensors. Основной язык карточки — английский. Лицензия — Apache-2.0.

sokudan-ja-310m — японская модель принятия решений System One от GeneLab. Она принимает японский текст как состояние и типизированные вопросы форматов choice, score и bool, а затем за один проход возвращает ответы соответствующих типов и вероятности без генерации текста. В основе лежит дообученная sbintuitions/modernbert-ja-310m; модель содержит около 314,6 млн параметров. Выпуск v0.2 создан усреднением весов восьми запусков обучения, а v0.2.1 использует те же веса и включает температурную калибровку ответов bool по умолчанию. Модель предназначена для классификации, выбора среди вариантов и оценки вероятности заданных свойств японского текста, например для маршрутизации или структурированных решений по текстовому состоянию. В описанных испытаниях на японском языке показатели выбора и порядковой оценки были выше базовых, а калибровка bool улучшала ECE. Для английского языка качество bool близко к большинству классов, поэтому авторы не рекомендуют использовать там вопросы типа bool. Калибровка score и choice по умолчанию не применяется: испытания показали ухудшение соответствующих метрик при её включении. Модель доступна под лицензией Apache-2.0. Для Apple Silicon поддерживается запуск через MLX, а также доступны другие бэкенды через пакет sokudan. Приведённые метрики получены на наборах bench_ja и bench_en; часть результатов для soup измерена однократно, а подбор и оценка held-out показателей использовали один и тот же набор, что может завышать результат. Длина контекста в карточке не приведена.

HassanB4/t1_s3_arabert_twitter_text_target — арабоязычный классификатор выявления позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 (Seen Targets) соревнования StanceEval-2026 в рамках ArabicNLP 2026 и дообучена на aubmindlab/bert-base-arabertv02-twitter, модели AraBERT на архитектуре BERT, предварительно обученной на твитах и диалектной речи. На вход подаются арабский твит и целевая тема; на выходе — метка Favor, Against или None, означающая поддержку, неприятие либо нейтральную, не относящуюся к теме или неясную позицию. Обучение и оценка проводились на твитах о вакцине от COVID-19, цифровой трансформации и расширении прав женщин; README сообщает результат 81,45 Favg2 на dev-наборе. Модель имеет 162,4 млн параметров, контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана на темы, встречавшиеся при обучении, поэтому качество на новых темах не подтверждено.

HassanB4/t2_s1_marbert_text_target — арабоязычный классификатор выявления позиции автора твита по отношению к заданной теме, созданный для Track 2 (Unseen Targets) соревнования StanceEval-2026 командой NAMAA Community. Модель дообучена на UBC-NLP/MARBERTv2; архитектура — BERT для классификации последовательностей, размер — 190 млн параметров, максимальный контекст — 512 токенов. На вход подаются арабский твит и целевая тема, на выходе — одна из трёх меток: Favor (поддержка), Against (противодействие) или None (нейтральная, нерелевантная либо неясная позиция). Модель обучалась на данных Mawqif-v2 и оценивалась на темах, не встречавшихся при обучении; результат на dev-наборе — 82,08 Favg2. Лицензия — Apache-2.0.

lmqg/t5-small-squad-qg-ae — модель на базе T5-small, дообученная библиотекой lmqg для совместной генерации вопросов и извлечения ответов из текста. Она обучена на английском датасете lmqg/qg_squad и предназначена для подготовки вопросов и ответов по контексту, например для создания учебных материалов или наборов данных для контроля понимания прочитанного. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст до 512 токенов. В карточке приведены результаты оценки генерации вопросов, пар «вопрос—ответ» и извлечения ответов на lmqg/qg_squad. Модель выпущена под лицензией CC BY 4.0. Качество проверено на указанном датасете; перенос результатов на другие типы текстов не подтверждён.

Torchcast Decision 12B — текстовая модель принятия решений от Torchcast AI, созданная на основе Gemma-4-12B-it с помощью дообучения LoRA. Она предназначена для англоязычных задач классификации, маршрутизации и оценки по ограниченной рубрике. Модель за один проход формирует вероятности ответа «да/нет» (noul), распределение по вариантам выбора (choice) или распределение порядковых оценок (score); для этого используется специализированный интерфейс обслуживания, а стандартные примеры text-generation не воспроизводят оценённый режим работы. Модель обучалась на сочетании размеченных примеров, распределений вариантов от более крупной инструкционной модели, процедурно созданных задач, обучающей части Open-Jev и обучающих частей открытых наборов данных. Архитектура — плотная Gemma 4 Unified, формат весов — Safetensors; контекст обслуживания ограничен 16 384 токенами с учётом оформленного запроса. В авторском запуске на 231 открытом задании JevBench v1.4 получено 203 правильных ответа из 231, но это не официальный результат и не независимая проверка. Модель рассчитана на обработку английского текста. Вероятности могут быть ненадёжны в новых предметных областях; результаты не подтверждают качество на большом числе вариантов, нескольких вопросах, других языках или мультимодальных входах. Лицензия — CC BY-NC 4.0.

vukpetar выпустил TrOCR Small, модель распознавания математических выражений на изображениях, дообученную на Synthetic Math Expression Dataset. Она предназначена для преобразования изображений с формулами в текстовую запись; также исходную модель TrOCR можно применять для распознавания одной строки текста на изображении. Модель использует архитектуру encoder-decoder: Transformer обрабатывает изображение как последовательность патчей размером 16×16, а Transformer-декодер авторегрессионно генерирует текст. Энкодер инициализирован весами BEiT, декодер — RoBERTa. Репозиторий содержит веса PyTorch и поддерживает зрительный ввод с текстовым выводом. Это специализированный вариант для синтетических математических выражений; точность на реальных рукописных формулах или иных типах изображений в карточке не описана. Лицензия в предоставленных данных не указана.

TypLens V1.1 — модель с архитектурой vision-encoder-decoder для преобразования изображения печатной математической формулы в исходный код математической разметки Typst. Её разработчик — dbcccc. Модель содержит 29,2 млн параметров и рассчитана на распознавание одного фрагмента формулы за запрос; полные документы она не обрабатывает. Для запуска в браузере доступны графы ONNX в FP32 и компактном варианте с динамическими INT8-весами; также предоставлены веса safetensors. Лицензия — MIT. Модель принимает изображение в оттенках серого размером 384×384 после предусмотренной авторами предобработки и выдаёт текст Typst. В проверке на 135 изображениях из набора разработки Typst успешно скомпилировался для всех примеров, а 127 результатов были признаны соответствующими изображениям. Эта оценка не является независимым тестовым результатом, а точность компактной версии отдельно не измерялась. Модель дообучена на основе breezedeus/pix2text-mfr-1.5 с использованием собственного словаря вывода Typst. Она предназначена для формул, набранных печатным способом; рукописный ввод, мобильная работа и производительность WebGPU не оценивались. Ошибки возможны при распознавании мелких диакритических знаков, похожих символов, индексов и сложных блочных матриц, поэтому результат следует проверять.

Whisper large-v3-turbo-singlish — модель автоматического распознавания речи, разработанная Ming Jie Wong на основе openai/whisper-large-v3-turbo. Это encoder-decoder-модель семейства Whisper с 905,2 млн параметров, дообученная на 66,9 тыс. пар аудиозаписей и транскрипций из разговорного корпуса IMDA National Speech Corpus. Она предназначена для транскрибирования английской речи с особенностями сингапурского разговорного английского Singlish; аудиофрагменты обучающего набора были записаны с близко расположенных микрофонов, ограничены длительностью до 20 секунд и приведены к частоте 16 кГц. Модель принимает аудио и выдаёт текст. В README приведены результаты оценки на SASRBench-v1, но дополнительные сведения об экспериментах обещаны позднее. Распознавание может быть неточным при сложных условиях записи и для нестандартных вариантов речи, поэтому результаты стоит проверять перед чувствительным или производственным применением. Лицензия — MIT.

Модель sercetexam9/afro-xlmr-base-arq-finetuned-augmentation-LUNAR — дообученная версия Davlan/afro-xlmr-base для классификации текстов. Она использует архитектуру XLM-RoBERTa и содержит около 305,2 млн параметров; максимальная длина контекста — 514 токенов. Базовая модель предназначена для многоязычных текстов, в том числе на африканских языках. Модель подходит для задач классификации последовательностей и может применяться для разметки текстов по категориям. В README приведены метрики на оценочной выборке: F1 0,5725, ROC AUC 0,6987 и accuracy 0,2957; описание датасета и целевых классов отсутствует, поэтому эти результаты не позволяют определить качество для конкретного сценария. Модель распространяется по лицензии MIT.

BatteryBERT-uncased-abstract — англоязычная модель на архитектуре BERT, разработанная Шу Хуаном и Жаклин Коул для классификации аннотаций научных работ о батареях. Она дообучена на базе batterybert-uncased и рассчитана на классификацию текста, в частности аннотаций из набора batterydata/paper-abstracts. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Модель подходит для автоматической сортировки и тематической разметки аннотаций исследований в области батарей. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка приводит ссылки на оценку качества и примеры использования, но подробности результатов в доступном тексте отсутствуют.

boltuix/bert-mini — компактная англоязычная модель семейства BERT, основанная на google-bert/bert-base-uncased и дообученная разработчиком для задач обработки текста. В README заявлена архитектура из 4 слоёв со скрытым размером 128 и 4 головами внимания; метаданные указывают около 5 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для предсказания пропущенных токенов и классификации текста, включая определение намерений. Компактный размер и работа без подключения к сети подходят для локального использования на мобильных и периферийных устройствах. README также упоминает распознавание именованных сущностей и семантический поиск, но карточка не приводит отдельной оценки качества для этих сценариев. В README заявлена лицензия MIT, разрешающая коммерческое, личное и исследовательское применение. Приведённые там результаты оценки прямо обозначены как гипотетические, поэтому они не подтверждают фактическую точность модели.

BioBERTpt-squad-v1.1-portuguese — модель для ответов на вопросы о клинической и биомедицинской тематике. Её создала группа Deep Learning Brasil; модель семейства BERT дообучена на португальской версии SQuAD 1.1 для задачи question answering. Она принимает текст вопроса и контекста и извлекает из контекста ответ. В карточке указаны результаты на оценке: F1 80,06 и Exact Match 67,52. Модель содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.