I.3Извлечение и структурирование данных

SciFive-base-Pubmed — модель семейства T5, разработанная авторами работы SciFive для обработки биомедицинской литературы. Она обучена на текстах PubMed и предназначена для задач понимания и преобразования научных текстов в биомедицинской области. В метаданных указаны 123,8 млн параметров, контекст до 1024 токенов и поддержка английского языка; доступны веса PyTorch и TensorFlow. В карточке Hugging Face основной задачей обозначена классификация текста. Архитектура T5 также поддерживает генерацию текста по текстовому входу, однако README не приводит результатов оценки или подробностей о конкретных сценариях применения. Модель опубликована в 2022 году. Лицензия в предоставленных данных не указана.

Xhenifer/sesotho-sentiment-afriberta — классификатор тональности на основе AfriBERTa large, дообученный для анализа заголовков новостей на языке сесото. Модель относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Она содержит 148,1 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для автоматической разметки тональности заголовков новостей на сесото. Обучение проводилось на 2 209 размеченных заголовках; для компенсации дисбаланса классов применялась взвешенная функция потерь. На отложенной выборке из 442 примеров Macro F1 составил 0,661, а F1 для нейтрального класса — 0,605. Доступны веса Safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

paperbd/smollm_135M_neuraltxt_v1 — компактная языковая модель, дообученная автором Neural Breakdown на базе HuggingFaceTB/SmolLM-135M для узких задач, связанных с исследовательскими статьями по ИИ. Модель использует плотную архитектуру семейства Llama с 134,5 млн параметров, принимает текст и поддерживает контекст до 2048 токенов. Карточка предлагает запуск через библиотеку neural-txt с бэкендом Hugging Face или PyTorch. Модель предназначена для извлечения тезисов, генерации пар вопросов и ответов и формулировки вопросов по фрагментам статей. В README также описан режим структурированного JSON-вывода. Обучение включало этапы CPT и SFT; наличие в семействе отдельной DPO-модели не означает, что эта версия прошла DPO. Указанная лицензия — MIT. Модель компактна, но специализирована на узкой предметной области, а короткий контекст и небольшой размер ограничивают её пригодность для длинных документов и сложных рассуждений.

TimePLE-8B — модель KlingTeam на базе Qwen3-VL-8B-Instruct, дообученная для временной локализации событий в видео. По видео и текстовому описанию события она предсказывает его начальный и конечный моменты с помощью адаптивного к длительности кодека TimePLE. Модель имеет плотную мультимодальную архитектуру Qwen3-VL с кодеком временных интервалов и интерфейсным MLP-адаптером; веса опубликованы в формате safetensors с точностью bfloat16. Для подготовки видео, декодирования временных интервалов и инференса требуется реализация из отдельного репозитория TimePLE. Модель предназначена для экспериментов и оценки методов temporal grounding и moment retrieval, а также для дальнейшей настройки под локализацию событий. Обучающие данные и запросы преимущественно англоязычные. Качество границ зависит от выборки кадров, метаданных длительности и предобработки видео; неоднозначные, повторяющиеся и очень короткие события могут локализоваться нестабильно. Модель распространяется по лицензии Apache-2.0; для базовой модели, видео и используемых датасетов могут действовать отдельные условия.

BUAADreamer/Yi-VL-34B-hf — версия в формате Hugging Face мультимодальной модели Yi-VL-34B, разработанной 01-AI. Это чат-модель с поддержкой зрения, предназначенная для ответов на вопросы по изображениям и диалога с визуальными данными. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для визуальных вопросов и ответов, а также для дообучения под прикладные задачи с изображениями. В карточке указана поддержка китайского и английского языков. Лицензия — Yi Series Model License; перед использованием следует учитывать её условия.

AX-3.1-Light-sft_v3_1_A_control — это экспериментальная корейскоязычная чат-модель, разработанная дообучением SKT/A.X-3.1-Light. Модель содержит 6,8 млрд параметров, использует плотную архитектуру LlamaForCausalLM и выдаётся в формате BF16 safetensors. Контекст — до 32 768 токенов; репозиторий содержит объединённые веса LoRA-адаптера и базовой модели, поэтому отдельный адаптер не требуется. Модель предназначена для исследований и контролируемой оценки ответов на корейском языке. Дообучение выполнено на 36 000 примерах из смесей инструкций по гражданскому, уголовному и административному праву, корпоративному учёту, базовым медицинским знаниям, чтению новостей и оценке технологий. Модель поддерживает диалог и генерацию текста; для запуска заявлена совместимость со стандартным vLLM без пользовательского кода модели. Модель может допускать фактические ошибки и не заменяет профессиональную юридическую, бухгалтерскую, медицинскую или финансовую консультацию. Лицензия — Apache-2.0; исходные данные AI Hub сохраняют собственные условия доступа.

Luciano/bertimbau-base-finetuned-brazilian_court_decisions — модель классификации текста, дообученная на основе neuralmind/bert-base-portuguese-cased для решений бразильских судов. Она предназначена для классификации текстов судебных решений на португальском языке. Модель построена на архитектуре BERT, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. На указанном в карточке наборе оценки точность составила 0,7921, а значение функции потерь — 0,6424. Модель рассчитана на бразильский португальский; лицензия — MIT. Карточка не раскрывает классы классификации, подробности обучающих данных и ограничения применения, поэтому качество на других данных не установлено.

Overwatch886/bge-base-agri — модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для поиска релевантных сельскохозяйственных текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, нормализует их и позволяет сравнивать косинусное сходство. Архитектура состоит из трансформера BERT, пулинга по CLS-токену и нормализации; модель содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Обучение описано на наборе из 742 примеров с запросами, релевантными и нерелевантными фрагментами. Модель подходит для семантического поиска агрономических рекомендаций, подбора материалов по вопросам о хозяйстве и извлечения контекста для RAG. Примеры посвящены сельскому хозяйству в разных странах; базовая модель англоязычная, а подтверждённого списка языков самой дообученной модели нет. Лицензия в предоставленных данных не указана.

BLIP VQA Base — модель семейства BLIP, разработанная Salesforce для визуального понимания и генерации текста по изображениям. Вариант использует базовую архитектуру с backbone ViT-Base и предназначен прежде всего для ответов на вопросы об изображениях: модель принимает изображение и текстовый вопрос, затем формирует текстовый ответ. Модель также поддерживает генерацию подписей к изображениям. BLIP обучался для задач vision-language с использованием механизма bootstrapping: генератор создаёт синтетические подписи, а фильтр отбирает менее шумные пары изображение–текст. Модель доступна в форматах PyTorch, Safetensors и TensorFlow. Релиз опубликован для исследовательских целей; перед применением в значимых сценариях следует оценить точность, безопасность и возможные смещения. Лицензия — BSD-3-Clause.

iioSnail/ChineseBERT-base — это адаптированная для прямой загрузки через API Hugging Face версия ChineseBERT-base, основанной на архитектуре BERT и разработанной ShannonAI. В модели на 131,1 млн параметров предсказание замаскированных токенов усилено информацией о начертании и пиньине китайских иероглифов; она принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для заполнения пропусков в китайском тексте и получения скрытых представлений токенов, которые можно использовать в других NLP-сценариях. README указывает, что её можно вызывать как обычную BERT-модель через Hugging Face API; для токенизации может потребоваться библиотека pypinyin. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии AFL-3.0.

RJ3vans/CMN1spanTagger — модель на базе BERT для выявления составных именных групп в предложениях. Она размечает токены, указывая, входят ли они в составную именную группу; перед обработкой координатор именной группы, например «and», необходимо выделить квадратными скобками. Модель предназначена для этапа разметки в системах упрощения предложений и последующей обработки текста. Модель дообучена для классификации токенов; в репозитории указаны PyTorch и архитектура BertForTokenClassification. Она содержит около 432,3 млн параметров и рассчитана на контекст до 512 токенов. README ссылается на набор данных из докторской диссертации Р. Эванса 2020 года. Лицензия в предоставленных данных не указана.

mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis — модель классификации тональности финансовых новостей, созданная дообучением distilroberta-base на наборе Financial PhraseBank. Она относит предложения к категориям тональности и предназначена для анализа новостных фрагментов о финансах и рынке акций. В основе лежит DistilRoBERTa — шестислойная архитектура RoBERTa с размерностью 768 и 12 головами внимания. В метаданных указано 95,2 млн параметров и контекст до 514 токенов; модель доступна в форматах PyTorch и safetensors. README сообщает об accuracy 0,9823 на оценочной выборке и отмечает чувствительность к регистру. Обучающие данные — 4840 англоязычных предложений из финансовых новостей, размеченных по полярности. Результаты на этом наборе не гарантируют такое же качество на других источниках, языках или типах финансового текста. Лицензия — Apache-2.0.

EmuBert — англоязычная модель Roberta для австралийской юридической сферы, разработанная Умаром Батлером. Это дообученная версия FacebookAI/roberta-base с 151,8 млн параметров, предназначенная прежде всего для предсказания замаскированных токенов и адаптации к юридическим NLP-задачам. Модель обучена на корпусе из 180 тысяч законов, нормативных актов и судебных решений из шести австралийских юрисдикций; контекст составляет 514 токенов. Доступна в формате Safetensors и распространяется по лицензии MIT. EmuBert подходит для дообучения на классификацию юридических текстов, распознавание именованных сущностей, оценку семантического сходства и ответы на вопросы в австралийском правовом контексте. Ограничения включают менее подробные сведения о праве Виктории, Северной территории и Австралийской столичной территории, а также возможный уклон в сторону законодательства и судебных решений Содружества и Нового Южного Уэльса. В README также описаны гендерные и сексуальные стереотипы; автор рекомендует проверять пригодность модели для конкретного применения.

Finance Sentiment PL (base) — модель компании bards.ai для классификации тональности польских финансовых новостей. Она построена на базе allegro/herbert-base-cased и дообучена на польском переводе набора Financial PhraseBank. Архитектура — BERT с классификационной головой; модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Её можно использовать для анализа новостных публикаций и тональности финансовых фраз. В README указаны macro F1 0,969, точность 0,971 и полнота 0,968; эти результаты получены при оценке на Financial PhraseBank. Модель распространяется по лицензии CC BY 4.0.

Finance Sentiment ZH (fast) — модель компании bards.ai для классификации тональности китайских финансовых новостей. Она дообучена на основе sentence-transformers/distiluse-base-multilingual-cased-v1 на китайском переводе набора Financial PhraseBank за 10 эпох и относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст с контекстом до 512 токенов и выдаёт метку тональности. В README указаны macro F1 0,953, precision 0,959 и recall 0,949 на проведённой авторами оценке. Модель распространяется по лицензии Apache-2.0.

Florence-2-base-PromptGen v1.5 — модель MiaoshouAI для создания подписей к изображениям и тегов, разработанная на основе Florence-2 Base и дообученная для MiaoshouAI Tagger в ComfyUI. Она предназначена для подготовки промптов и тегов к изображениям, в том числе для обучения и генерации изображений. Модель формирует теги в стиле Danbooru, краткие подписи, структурированные описания с расположением объектов, подробные описания и смешанный формат тегов и текста для Flux с T5XXL и CLIP_L. Также заявлено распознавание текста и водяных знаков на изображениях. Модель принимает изображения и инструкции в текстовом виде и выдаёт текстовые подписи или теги. По данным карточки, она компактна и может работать примерно с немногим более 1 ГБ видеопамяти; для использования предусмотрена интеграция с ComfyUI-Miaoshouai-Tagger. Репозиторий распространяется по лицензии MIT.

NothingMuch/GO-Term-Embeddings-Snowflake-m-1.5 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-m-v1.5, созданная для сопоставления описаний и терминов Gene Ontology. Она преобразует текст в нормализованные плотные векторы размерностью 128; сходство между ними оценивается косинусной близостью. В основе — BERT с CLS-пулингом, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сопоставления формулировок, поиска парафразов, кластеризации и классификации текстов, в частности биологических описаний и терминов. Обучение проводилось на датасете NothingMuch/GO-Terms; карточка приводит результат TranslationEvaluator со средней точностью 0,7666. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. Векторы оптимизированы для семантического сравнения текстов, а не для генерации ответов. Контекст ограничен 512 токенами; карточка не сообщает об оценках на широком наборе задач или о поддержке других языков.

ICM-Qwen2-VL-2B — дообученная модель семейства Qwen2-VL, разработанная на основе Qwen/Qwen2-VL-2B-Instruct. Это компактная мультимодальная модель с плотной архитектурой Qwen2VLForConditionalGeneration и примерно 1,5 млрд параметров; она принимает изображения и текстовые запросы, а в ответ генерирует текст. Репозиторий использует Transformers и формат safetensors, а заявленная длина контекста составляет 32 768 токенов. Модель предназначена для диалога и ответов на текстовые запросы по изображениям. README сообщает о дообучении на датасете qwen_sexy_after и значении loss 0,2010 на наборе оценки, но не раскрывает сценарии использования и методику оценки. Лицензия указана как other, поэтому условия её использования следует проверять в карточке модели и у базовой модели.

InCaseLawBERT — англоязычная модель семейства BERT, разработанная исследователями Индийского технологического института в Харагпуре для работы с индийскими судебными текстами. Она обучена на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы, охватывающем гражданское, уголовное, конституционное и другие направления права. Модель основана на Legal-BERT и дополнительно обучена на индийских юридических текстах в течение 300 тысяч шагов с задачами masked language modeling и next sentence prediction. Архитектура — BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров. Контекст ограничен 512 токенами. Основной сценарий применения — получение контекстных представлений текста и дообучение для юридических задач, например выявления применимых статей закона, сегментации судебных документов и прогнозирования решений суда. Карточка сообщает, что на описанных задачах модель близка по результатам к CaseLawBERT, но уступает InLegalBERT. Репозиторий распространяется по лицензии MIT. Модель предназначена для английских юридических текстов индийской юрисдикции; результаты на других языках, правовых системах и задачах не подтверждены.

xshubhamx выпустил дообученную версию law-ai/InLegalBERT для классификации юридических текстов. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель обучалась на судебных документах Индии и ориентирована на английский язык. README приводит результаты оценки: accuracy около 0,83 и macro F1 около 0,80. Это указывает на применимость для классификации текстов в задачах, сходных с оценочной выборкой, однако датасет, набор классов и подробности предполагаемого применения не раскрыты. Лицензия модели — MIT.

Модель jesusromerodev/jesusromerodev-NLP-model-jesus-romero — дообученная для классификации текста версия distilroberta-base, опубликованная пользователем jesusromerodev. Она предназначена для отнесения текстовых последовательностей к классам; конкретные классы и прикладная область в карточке не описаны. Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров. Естественный язык текстов, на которых она обучалась, не указан. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: loss 0,6336, accuracy 0,8627 и F1 0,9031. Данные об оценочном наборе и методике измерений отсутствуют, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Warlord-K/kanha-kanha.ai-0.6b-grounded-qlora-3ep-v1 — дообученная методом QLoRA компактная языковая модель на базе Qwen/Qwen3-0.6B, разработанная для контролируемых экспериментов с ответами на вопросы по содержимому сайтов. Она генерирует краткие ответы, используя предоставленный извлечённый контекст; вопрос без такого контекста выходит за рамки обучения и оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и работает через библиотеку Transformers. Карточка указывает английский язык; базовая Qwen3 — многоязычная. В оценке на 26 примерах полнота дат и URL составила 1,0, полнота числовых значений — около 0,96, а детерминированная доля прохождения — около 0,38. Эти результаты получены с предоставленным эталонным контекстом и не подтверждают качество поиска или пригодность конвертированной модели в браузере. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные; результаты следует проверять. Лицензия в предоставленных сведениях не указана.

Многоязычная языковая модель Joel Niklaus для юридических текстов, основанная на архитектуре RoBERTa и семействе XLM-R. Модель содержит 533,7 млн параметров, принимает текст и предсказывает замаскированные слова; максимальный контекст — 514 токенов. Она предварительно обучена на юридических материалах набора MultiLegalPile, охватывающего 24 языка. Модель предназначена прежде всего для дообучения под юридические задачи классификации последовательностей и токенов, а также ответы на вопросы. Её можно использовать для заполнения пропусков в юридическом тексте. Для генерации связного текста она не предназначена, а на текстах вне юридической области качество может отличаться. Возможны стереотипные и вредные предсказания. Лицензия — CC BY-SA.

Ibrahim Adel разработал инструкционную языковую модель на архитектуре Llama 3.2 1B для анализа юридических текстов Египта на арабском языке. Модель дообучена на корпусе примерно из 2 434 египетских юридических документов, содержащем более 25 млн арабских токенов; базовая модель — unsloth/llama-3.2-1b-instruct-unsloth-bnb-4bit. Она принимает текст документа или его фрагмент и генерирует ответы: определяет закон и правовую категорию, анализирует текст и отвечает на вопросы по предоставленному документу. Указанный контекст — 131 072 токена. Модель подходит для классификации юридических документов, поиска названий законов, образовательных задач, юридических исследований и создания арабских правовых помощников, в том числе с RAG. Лучше всего работает с египетскими юридическими текстами и не обязательно переносится на другие правовые системы. Ответы могут быть неточными или неполными и требуют проверки специалистом; модель не предназначена для предоставления юридических консультаций. В метаданных указана лицензия Apache-2.0, а README — MIT.

Koichi Yasuoka разработал ModernBERT-base, предварительно обученную на тайских текстах корпуса CC100. Это плотная модель архитектуры ModernBERT с 112,4 млн параметров, предназначенная для заполнения пропусков в тексте и дообучения для последующих задач обработки тайского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель принимает текст и предсказывает замаскированные токены; поддерживает контекст длиной до 8192 токенов. Модель подходит как основа для создания тайскоязычных систем разметки и анализа текста. В карточке указаны формат PyTorch и лицензия Apache-2.0. Качество на конкретных прикладных задачах зависит от дообучения и оценки на соответствующих данных.

Molmo2-VideoPoint-4B — мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для анализа видео: указания объектов и подсчёта их появлений с привязкой к кадрам. Модель основана на Qwen3-4B-Instruct-2507 и использует SigLIP 2 как визуальную основу; в карточке указана архитектура Molmo2ForConditionalGeneration и формат safetensors. Чекпойнт дообучен специально на данных Molmo2-VideoPoint после предварительного обучения на pixmo-cap, pixmo-points и данных Tulu. Он принимает видео и текстовые запросы и формирует текстовые ответы с точками и координатами объектов. В метаданных также указана поддержка изображений и текста. Основной язык карточки — английский. Модель опубликована под лицензией Apache 2.0, однако обучающие данные третьих сторон могут ограничивать использование академическими и некоммерческими исследованиями; следует проверить условия исходных датасетов и рекомендации Ai2.

Nara-Qwen-3.5-2B — полное дообучение мультимодальной модели Qwen3.5-2B, подготовленное для транскрибации англоязычных архивных документов культурного наследия. По изображению страницы модель выдаёт построчную расшифровку печатного текста и рукописи в порядке чтения; целевые материалы — дела о пенсиях ветеранов Войны за независимость США, включая заполненные от руки бланки, каталожные карточки и американский курсив XVIII–XIX веков. Модель содержит около 2,2 млрд параметров, принимает изображения и текстовые инструкции, выдаёт текст и распространяется в формате safetensors. Для работы требуется отключить режим рассуждений через enable_thinking=False; автор также рекомендует repetition_penalty=1.1. На отложенной выборке из документов, отсутствовавших в обучении, модель показала micro CER 0,2688 и WER 0,3205; качество заметно хуже на разреженных каталожных карточках, где возможна чрезмерная расшифровка линий сетки. Это исследовательский артефакт для архивной транскрибации, а не универсальный OCR-сервис: модель обучена на одной англоязычной коллекции и может хуже работать с другими архивами, почерками, жанрами и эпохами. Имена и даты в её выводе требуют проверки человеком. Лицензия — Apache-2.0.

On-Task BERT — англоязычный классификатор высказываний учащихся, разработанный на основе BERT-base-uncased и дообученный на репликах из расшифровок уроков математики. Модель относит высказывание к категории «по теме» или «не по теме». Она принимает текст и выдаёт метку класса; архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа участия учеников в математических уроках, например для автоматической разметки реплик по соответствию теме занятия. В README указаны результаты на отложенной выборке из 470 примеров: точность 0,900, macro F1 0,813 и precision для класса «по теме» 0,935. Эти показатели получены на конкретном наборе данных и не гарантируют такое же качество на других классах, предметах или типах речи. Лицензия — MIT.

Модель enesyila/ota-sbert-kadisicilleri разработана Enes Yılandiloğlu и представляет собой sentence-transformer на архитектуре BERT, дообученный на османско-турецких судебных записях kadı sicilleri из архивов Стамбула. Она преобразует предложения и абзацы в плотные 384-мерные векторы для сравнения семантического сходства, поиска и кластеризации документов. Обучение проводилось на 54 554 записях и 54 428 триплетах; модель рассчитана на османский турецкий периода 1500–1928 годов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и принимает до 512 токенов. В README сообщается о точности ранжирования 96,95% на тестовом наборе из 5 443 примеров. Для документов длиннее контекстного окна рекомендуется обработка фрагментами. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Persian ModernBERT — модель типа Masked Language Model на основе answerdotai/ModernBERT-base, дообученная myrkur на корпусе из 2,5 млрд персидских токенов с собственным токенизатором. Она предназначена для заполнения пропусков в тексте и может служить основой для задач понимания персидского языка. Архитектура — ModernBERT encoder-only с 149 млн параметров и контекстом до 8192 токенов; для внимания используется Flash Attention v2, веса представлены в формате Safetensors. Модель принимает персидский текст с замаскированными фрагментами и предсказывает подходящие токены. Для запуска используется библиотека Transformers; в README отмечена необходимость установить её версию из основной ветки до выхода следующего релиза. Лицензия — Apache-2.0.