I.3Извлечение и структурирование данных

TinyLLaVA-Qwen2-0.5B-SigLIP — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью кодовой базы TinyLLaVA Factory. В языковой части используется Qwen2-0.5B, а для обработки изображений — SigLIP SO400M с патчами 14×14 и разрешением 384 пикселя. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов, описания изображений и других задач, где нужно связать содержимое изображения с текстовым запросом. В README приведены результаты оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME, но данных для оценки качества в конкретном пользовательском сценарии недостаточно. Репозиторий распространяется под лицензией Apache-2.0. Ограничения по языкам, длине контекста и применению в конкретных областях в предоставленных данных не описаны.

Turkish-LLaVA-v0.1, разработанная командой ytu-ce-cosmos, — мультимодальная модель на архитектуре LLaVA-Llama для выполнения визуальных инструкций на турецком языке. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображению, визуальных вопросов и распознавания текста на обложках книг. Модель основана на Turkish-Llama-8b-Instruct-v0.1 и содержит около 7,5 млрд параметров. Для предварительного обучения использовался переведённый на турецкий язык набор LLaVA-CC3M-Pretrain-595K, а дообучение включало подмножества Stanford GQA, VisualGenome и COCO, а также многоходовые инструкции по обложкам книг. Архитектура — плотная LLaVA-Llama; контекст составляет 8192 токена. Репозиторий предоставляет веса в формате safetensors. Модель рассчитана прежде всего на турецкие запросы и визуальное понимание, включая OCR на обложках книг. Карточка не приводит количественных оценок качества, поэтому результаты на иных языках и типах изображений могут отличаться. Лицензия — MIT.

Это дообученная модель XLM-RoBERTa для классификации текста, созданная на основе FacebookAI/xlm-roberta-base. Веса содержат около 305,2 млн параметров; модель использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В карточке указано дообучение на датасете, название которого не приведено. На оценочной выборке указаны F1 0,6576, ROC AUC 0,7940, accuracy 0,5110 и loss 0,3820. Метрики дают ориентир по результатам проверки, но без описания набора данных и схемы классов нельзя судить о качестве для конкретной задачи. Модель распространяется по лицензии MIT.

Модель thealper2/xlm-roberta-base-text-geolocation разработана на основе FacebookAI/xlm-roberta-base, дообученной для классификации коротких сообщений из социальных сетей по 123 географическим регионам. Она принимает только текст и выдаёт метку региона c_0–c_122 с распределением вероятностей; координаты модель не предсказывает. Архитектура — XLM-RoBERTa с линейной классификационной головой, около 305,2 млн параметров и контекстом до 514 токенов. Модель предназначена для приблизительной оценки региона происхождения сообщения по текстовым признакам, включая упоминания мест, хештеги и эмодзи. Обучающая выборка состоит из сбалансированных постов Twitter 2021 года; модель многоязычная, но конкретные поддерживаемые языки и основной язык не перечислены. На тестовой выборке точность top-1 составила 24,34%, а top-5 — 56,12%; для сравнения, TF-IDF с логистической регрессией показал 27,35% top-1. Модель выпущена под лицензией MIT. Метки регионов являются безымянными кластерами датасета, а качество зависит от наличия географических сигналов в тексте; перенос на другие платформы и периоды не оценивался.

recobo/agri-sentence-transformer — модель Sentence-Transformers, разработанная на базе agriculture-BERT от Recobo. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для сравнения смысловой близости, кластеризации и семантического поиска по сельскохозяйственным текстам. Архитектура — BERT; модель содержит 137,2 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для поиска похожих фрагментов, группировки текстов и оценки семантического сходства в аграрной тематике. Базовый agriculture-BERT обучен на 6,5 млн фрагментов из сельскохозяйственной области. Указанный язык — английский. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Это классификатор предложений, определяющий, содержатся ли в высказывании математические термины. Модель разработана для проекта EduBehaviors: её обучили на основе sentence-transformers/paraphrase-mpnet-base-v2 с помощью SetFit для аудируемой разметки диалогов в классе. Она принимает отдельное высказывание без дополнительного шаблона и возвращает метку класса. Модель обучена на 3 432 примерах из обучающей выборки LLM-размеченных высказываний учителей из TalkMoves Dataset; для проверки использовались 858 примеров dev и 2 144 тестовых примера. Архитектура — MPNet, размер — 136,7 млн параметров, максимальный контекст — 514 токенов. В тесте F1 положительного класса составил 0,900. Модель рассчитана на англоязычную речь в классе и доступна через пакет EduBehaviors-kit. Разметку создавали LLM-аннотаторы; согласие между ними по Krippendorff’s alpha составило 0,755. Модель обучалась только на высказываниях учителей, поэтому её качество на речи учеников не проверено. Лицензия в предоставленных данных не указана.

Модель z-dickson/bart-large-cnn-climate-change-summarization разработана Закари Диксоном на основе Facebook/bart-large-cnn и дообучена для суммирования политических текстов о климате, окружающей среде и энергетике. Она предназначена прежде всего для анализа пресс-релизов политических партий: выделяет основную тему, позицию автора по ней и формирует краткое резюме из одного-двух предложений. Модель построена на архитектуре BART, содержит 252,8 млн параметров и принимает контекст длиной до 1024 токенов. Дообучение проводилось на 7 тысячах пресс-релизов 66 партий из 12 европейских стран; обучающие резюме в основном были созданы GPT-4. Лицензия — AFL-3.0. По описанию автора, модель хорошо определяет главную тему текста, но может называть его автора «партией» и описывать позицию именно как позицию партии. Из-за ошибки в подготовке данных ответы выводятся строчными буквами. Указанные в карточке языки — английский, испанский, датский, немецкий, итальянский, французский, нидерландский и польский; обучение охватывает политические тексты из Великобритании, однако качество на каждом языке отдельно не уточняется.

SynLayers/Bbox-caption-8b — модель SynLayers первого этапа системы SynLayers для анализа изображений. По входному изображению она формирует описание всей сцены и предсказывает ограничивающие рамки видимых объектов или слоёв. Модель основана на архитектуре Qwen3-VL и предназначена для запуска через Transformers; репозиторий содержит веса в формате safetensors. Модель подходит для получения подписей к изображениям и локализации объектов или визуальных слоёв рамками. Она выполняет только первый этап: разложение изображения на отдельные прозрачные RGBA-слои требует чекпойнтов Stage 2. Карточка не сообщает размер модели, поддержку конкретных языков, длину контекста или лицензию.

hezarai разработала hezarai/bert-fa-pos-lscp-500k — модель на основе ParsBERT, дообученная на наборе данных LSCP-500k для определения частей речи в персидском тексте. Она размечает токены грамматическими категориями и предназначена для запуска через библиотеку hezar. Репозиторий содержит веса PyTorch. Модель подходит для автоматической морфосинтаксической разметки персидских текстов и подготовки данных для лингвистического анализа. Карточка не сообщает размер модели и длину контекста. Условия лицензии в предоставленных данных не указаны.

Карточка модели manelalab/chrono-bert-v1-20071231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20061231, поэтому описание составлено по ней. ChronoBERT v1 2006-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена на датированных текстах, доступных до конца 2006 года, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд при работе с историческими данными. Модель построена на архитектуре ModernBERT и содержит 149 млн параметров; её контекст — до 8192 токенов. Основная задача по метаданным — предсказание замаскированных токенов. Также README показывает извлечение эмбеддингов и сообщает об оценке серии ChronoBERT на GLUE и задаче прогнозирования доходности акций. Модель подходит для исторического анализа текстов, экспериментов с финансовыми сигналами и языкового понимания, когда важно учитывать дату доступности обучающих данных. В README сообщается, что модели серии превзошли стандартный BERT на GLUE, однако эти результаты не гарантируют качество именно этой версии или её прибыльность в торговле. Лицензия — MIT.

Карточка модели manelalab/chrono-bert-v1-20081231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

ChronoBERT — серия англоязычных двунаправленных трансформерных энкодеров ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Эта версия содержит 149 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Модель обучена на датированных текстах с хронологическим ограничением, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд в анализах, привязанных ко времени. Модель предназначена для предсказания пропущенных токенов и извлечения текстовых представлений. Её можно применять для анализа исторических текстов и финансовых новостей, а также как основу для задач понимания языка. В карточке серии сообщается о результатах на GLUE выше стандартного BERT; финансовая оценка описана для варианта realtime и не является гарантией качества этой версии. Модель распространяется под лицензией MIT. Она является энкодером для понимания текста, а не универсальной генеративной моделью; заявленная языковая поддержка — английский.

ai4data разработала devdata-search-harrier-270m-cgist — двунаправленную bi-encoder-модель для получения текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Это дообученная версия microsoft/harrier-oss-v1-270m на наборе DevDataBench; модель кодирует запросы и описания данных в векторы для последующего поиска и сравнения, но сама не является поисковым сервисом. Модель основана на плотной текстовой архитектуре Gemma 3, содержит 257 млн параметров и рассчитана на контекст до 32 768 токенов по метаданным. В обучении применялись перестановка полей и их случайное исключение, чтобы представление меньше зависело от порядка полей; README указывает максимальную длину последовательности 512 токенов и отсутствие специальных префиксов для запросов и документов. Репозиторий использует Sentence Transformers и формат safetensors. Модель предназначена для векторизации запросов и записей статистических метаданных, чтобы находить релевантные наборы данных и сравнивать их по смыслу. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества; специализация на структурированных статистических метаданных ограничивает основания ожидать одинаково высокое качество для произвольных текстов.

Модель disham993/electrical-embeddinggemma-ir_finetune_16bit — дообученная версия EmbeddingGemma-300M от Google, подготовленная для плотного информационного поиска в электротехнике и электронике. Это текстовая модель для извлечения эмбеддингов: она кодирует запросы и фрагменты документов в векторы, пригодные для семантического поиска и сравнения сходства. Чекпойнт содержит около 302,8 млн параметров, объединённые веса LoRA в формате fp16 Safetensors и контекст до 2048 токенов. Модель обучена на 20 000 парах «вопрос—фрагмент текста» из набора ElectricalElectronicsIR. Она предназначена для поиска по технической документации и материалам об электротехнике, электронике, энергосистемах и коммуникациях, включая такие темы, как протокол IEC 61850, фазированные антенные решётки, OTDR, MIMO и FPGA. В README приведены высокие результаты на тестовом разбиении этого же набора; они не гарантируют аналогичное качество на других корпусах. Модель лучше подходит для английских технических запросов и может хуже работать с неанглийским текстом, разговорными формулировками и запросами, смешивающими электротехнику с другими областями. Полные веса занимают около 1,2 ГБ. Лицензия — MIT.

EZCon/Huihui-Qwen3-VL-4B-Instruct-abliterated-mlx — мультимодальная диалоговая модель на архитектуре Qwen3-VL с 4 млрд параметров, подготовленная для запуска в MLX. Репозиторий содержит конверсию модели huihui-ai/Huihui-Qwen3-VL-4B-Instruct-abliterated в формат MLX; по метаданным доступны чат и работа с изображениями по текстовым запросам. Модель предназначена для ответов на вопросы об изображениях и диалоговых сценариев с визуальным вводом. Вариант abliterated ослабляет отказы базовой модели. Она распространяется по лицензии Apache-2.0. README отсылает к исходной карточке за подробностями, поэтому дополнительные сведения о языках, контексте и ограничениях качества здесь не подтверждены.

iconclass-vlm — мультимодальная модель, разработанная на основе Qwen/Qwen2.5-VL-3B-Instruct и дообученная методом SFT. Она анализирует изображения произведений искусства и объектов культурного наследия и генерирует для них классификационные коды Iconclass. Модель предназначена для цифровых гуманитарных исследований, музейных коллекций, искусствоведения и разработки инструментов каталогизации. Модель использует архитектуру Qwen2.5-VL с 3,1 млрд параметров, принимает изображения и текстовые запросы и выдаёт текст с кодами Iconclass. Базовая модель поддерживает контекст до 128 000 токенов. Для обучения использовался набор Brill Iconclass AI Test Set из 87 744 изображений с экспертными метками; модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Результаты могут быть менее надёжны для изображений за пределами западной художественной традиции из-за состава обучающих данных. Таксономия Iconclass также содержит исторически обусловленные и потенциально устаревшие или проблематичные категории, особенно при классификации людей.

Italian ModernBERT — базовая модель семейства ModernBERT, разработанная DeepMount00 и предварительно обученная на итальянских текстовых корпусах. Она предназначена для языковых задач на итальянском языке, включая заполнение пропусков в тексте и классификацию последовательностей. Модель использует плотную архитектуру ModernBERT с 22 слоями и примерно 134,9 млн параметров. Контекстное окно составляет 8192 токена; применяются RoPE и чередование локального и глобального внимания. Токенизатор оптимизирован для итальянского языка, а для ускорения вычислений поддерживается Flash Attention 2. Модель рассчитана на итальянский язык и не подходит для других языков. Результаты могут отражать смещения обучающих данных. Лицензия — Apache 2.0.

Kosmos-2 patch14-224 — мультимодальная модель Microsoft для работы с изображениями и текстом, представленная в репозитории как реализация для Hugging Face Transformers. Она генерирует описания изображений и отвечает на вопросы о них, связывая упомянутые объекты с их расположением на изображении. Модель поддерживает визуальное заземление фраз, понимание выражений, указывающих на объекты, и генерацию таких выражений; в README также приведены сценарии визуальных вопросов и ответов с ограничивающими рамками. Модель принимает изображение и текстовый запрос, а выдаёт текст; при задачах заземления результат также содержит координаты рамок объектов. В карточке приведены примеры кратких и подробных описаний. В репозитории доступны веса в форматах PyTorch и Safetensors. Лицензия — MIT. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не описаны.

LFM2.5-VL-1.6B-GGUF — мультимодальная модель компании Liquid AI для задач image-text-to-text: она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для визуального анализа, ответов на вопросы по изображениям и других сценариев, где требуется обработка изображений совместно с естественным языком, включая запуск на периферийных устройствах через llama.cpp. Модель основана на LiquidAI/LFM2.5-VL-1.6B и поставляется в формате GGUF, совместимом с llama.cpp. Указан размер 1,6 млрд параметров; поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. README не содержит сведений о длине контекста, точной архитектуре, используемых визуальных входах и количественных результатах оценки. К сильным сторонам относятся мультимодальность, компактный размер и возможность локального или edge-развёртывания с использованием llama.cpp. Ограничения модели и её подробные характеристики в README не описаны. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

LFM2.5-VL-450M-GGUF — мультимодальная vision-language модель, разработанная компанией Liquid AI. Она предназначена для задач «изображение—текст», включая анализ изображений и ответы на вопросы о визуальном содержимом, с ориентиром на edge AI и локальное развертывание на устройствах. Модель совместима с llama.cpp и поддерживает добавление изображений в диалог. Модель поставляется в формате GGUF и является версией базовой модели LiquidAI/LFM2.5-VL-450M. Заявлены высокая скорость работы и экономичное использование памяти, однако точные сведения об архитектуре, размере контекста, количестве параметров и поддерживаемых визуальных возможностях в карточке не приведены. Указаны языки: английский, японский, корейский, французский, испанский, немецкий, арабский и китайский. Модель распространяется по лицензии lfm1.0; подробные условия доступны в файле LICENSE. Для запуска рекомендуется использовать llama.cpp с параметрами, указанными в карточке модели.

unsloth/llava-1.5-7b-hf — версия LLaVA-1.5-7B, опубликованная Unsloth на базе llava-hf/llava-1.5-7b-hf. Это плотная авторегрессионная модель семейства LLaVA на архитектуре Transformer, дообученная для диалогов и следования мультимодальным инструкциям. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; поддерживает несколько изображений в одном запросе и шаблон диалога USER/ASSISTANT. Модель предназначена для визуальных вопросов и диалога с учётом изображений. Для использования требуется совместимая версия Transformers; README также описывает загрузку в 4-битном режиме на CUDA GPU и ускорение с Flash Attention 2. Указана лицензия Llama 2.

Manga OCR — модель оптического распознавания символов, разработанная kha-white для чтения японского текста, прежде всего в манге. Она построена на архитектуре Vision Encoder Decoder и преобразует изображение с печатным текстом в текстовую транскрипцию. Модель рассчитана на вертикальную и горизонтальную запись, фуригану, текст поверх иллюстраций, разнообразные шрифты и изображения низкого качества; также подходит для распознавания печатного японского текста общего назначения. Модель обучена с использованием датасета Manga109s и распространяется в формате PyTorch по лицензии Apache-2.0. Её основное назначение — японское OCR; README не описывает поддержку других языков или ограничения точности.

JustANormalTinkerer/manga-ocr-finetuned — дообученная модель распознавания текста в изображениях манги, созданная на основе jzhang533/manga-ocr-base-2025. Она предназначена для OCR английских переводов манги и звуковых эффектов; автор отмечает улучшенную поддержку этих текстов по сравнению с базовой моделью, хотя распознавание звуковых эффектов всё ещё работает плохо. Модель использует архитектуру vision-encoder-decoder и доступна в формате safetensors через Transformers. В README указано обучение на английских и японских фрагментах манги из открытых и частных наборов данных, включая около 6 тысяч современных англоязычных фрагментов, часть AnimeText и примерно 80 тысяч псевдоразмеченных фрагментов. Для старой версии дообученной модели приведён CER 26,25% на наборе оценки; это значение не подтверждено для текущего состояния модели. Лицензия и размер модели в предоставленных данных не указаны. Результаты на звуковых эффектах остаются слабыми; приведённая оценка относится к старой версии, поэтому её нельзя считать гарантией качества текущей модели.

MoAI-7B — модель для работы с изображениями и текстом из проекта MoAI: Mixture of All Intelligence for Large Language and Vision Models. Репозиторий содержит веса модели; в метаданных указана плотная архитектура семейства InternLM и размер 7,4 млрд параметров. Модель принимает изображение вместе с инструкцией и генерирует текстовый ответ. Её можно применять для диалога по изображению и ответов на вопросы о визуальном содержимом. Контекст составляет до 32 768 токенов. В README описан запуск через код проекта MoAI с этапами загрузки изображения, предобработки, генерации и декодирования. Репозиторий распространяется по лицензии MIT. README не уточняет поддерживаемые языки и ограничения качества; сведения о языковой поддержке поэтому не включены.

OCR Captcha Router — компактный маршрутизатор для распознавания CAPTCHA, разработанный Khabbazan. Он выбирает специализированную модель TrOCR для математических CAPTCHA или CAPTCHA с цифрами, загружая нужную модель при первом использовании; при неуверенном выборе применяется резервная проверка двумя моделями на основе порога уверенности и грамматических правил. В README приведён пример запуска распознавания изображения через Python API. В репозитории маршрутизатора указана Apache 2.0. Метаданные связывают его с дообученной MobileNetV2 для классификации изображений, а поддерживаемые задачи каталога включают классификацию изображений и преобразование изображения в текст. Специализированные OCR-модели могут загружаться отдельно при использовании.

mistral-experimental/pixtral-12b — совместимый с Transformers чекпойнт Pixtral для диалога по изображениям. Карточка описывает работу с историей чата и изображениями, передаваемыми в порядке их появления в сообщениях. Модель предназначена для вопросов и ответов по изображениям и других сценариев, где текстовый запрос сопровождается визуальным входом. В метаданных модель отнесена к архитектуре LlavaForConditionalGeneration семейства LLaVA, с плотной архитектурой и возможностями чата и обработки изображений. Репозиторий содержит веса в формате safetensors; для использования README указывает на необходимость Transformers из исходного кода либо версии 4.45 или новее. Лицензия — Apache-2.0. В карточке нет сведений о языках, размере параметров и длине контекста.

Qari-OCR-0.4.0-VL-4B-Instruct — мультимодальная модель для распознавания текста на изображениях, разработанная NAMAA-Space. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct с использованием 45 000 пар изображение–текст из набора seemorg/books-ocr и предназначена прежде всего для OCR исламских книг, арабских рукописей и религиозных текстов на арабском языке. Модель принимает изображения и генерирует распознанный текст. Она оптимизирована для печатных исламских материалов и показывает CER 0,1222, WER 0,2562 и BLEU 68,41 в заявленных тестах, превосходя указанные базовые и сравнительные модели. Рекомендуется использовать изображения хорошего качества, предпочтительно с разрешением от 300 DPI. Производительность может снижаться на современных арабских шрифтах, рукописном тексте и изображениях низкого качества; поддержка ограничена арабским письмом. Архитектура основана на Qwen3-VL с размером 4B параметров. Лицензия — Apache 2.0.

bharatverse11/qwen3-4b-text2sql — языковая модель семейства Qwen3, подготовленная для MLX на основе Qwen/Qwen3-4B-Instruct-2507. По названию репозитория она предназначена для преобразования запросов на естественном языке в SQL, однако README подтверждает только конвертацию базовой модели и не описывает специальное обучение для Text-to-SQL. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает диалог и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и использует библиотеку MLX. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и конвертирована в формат MLX; лицензия — Apache-2.0. Возможности работы с SQL следует считать ориентировочными по названию репозитория: карточка не приводит результатов оценки или примеров SQL.

RedSage-Qwen3-8B-DPO — диалоговая языковая модель RISysLab для помощи в задачах кибербезопасности. Это финальный этап серии RedSage: модель дообучена методом Direct Preference Optimization на базе RISys-Lab/RedSage-Qwen3-8B-Ins с использованием AllenAI Tulu 3 Preference Mixture. Она построена на плотной архитектуре Qwen3 для генерации текста, содержит 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по кибербезопасности, анализа журналов событий, краткого изложения данных о киберугрозах и учебных запросов. По данным карточки, DPO-выравнивание улучшает следование инструкциям и общие способности рассуждения, сохраняя специализацию на кибербезопасности. Указан английский язык. Модель может ошибаться; результаты для критичных решений в сфере безопасности следует проверять. Условия лицензирования в предоставленных данных не указаны.

RuBERT-ruLaw — русскоязычная модель BERT, созданная продолжением предобучения DeepPavlov/rubert-base-cased на корпусе RusLawOD с судебными решениями и нормативными актами. Она предназначена для языковых задач в юридической сфере, в том числе для классификации, извлечения информации и поиска по текстам. В Hugging Face модель размечена для задачи заполнения пропусков в тексте (fill-mask), на которой в карточке приведены результаты сравнения точности предсказания замаскированных слов с базовыми моделями. Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Карточка указывает русский язык и лицензию CC BY 4.0. Специализация на юридическом корпусе может быть полезна для правовых текстов, но результаты на задаче fill-mask сами по себе не подтверждают качество для каждой из перечисленных прикладных задач.