I.3Извлечение и структурирование данных

jasoncarreira/hrm-text-agent-v2 — дообученная версия HRM-Text-1B от Sapient Intelligence, созданная для вызова функций и инструментов. Модель использует плотную архитектуру HRM-Text с PrefixLM и требует оболочку условия `direct`; для инференса автор рекомендует harness из репозитория, а не прямой вызов `.generate()`. Размер модели — 3,7 млрд параметров, контекст — 4096 токенов. Модель дообучена полным обновлением параметров на примерах Hermes, Glaive, No Robots, синтезированных случаях нерелевантности, данных Salesforce xLAM для параллельных вызовов и примерах дисциплины формата. В BFCL v4 автор сообщает улучшение общего micro-average с 54,7% до 66,8%, включая рост результатов в простых, множественных и параллельных вызовах. Лицензия — CC BY-NC 4.0. Основные компромиссы — повышенная склонность вызывать инструмент, даже когда подходящего инструмента нет, и снижение результатов на задачах свободной математики относительно v1. Английский язык указан в метаданных; README не сообщает о поддержке других языков.

Адаптер LoRA для модели Llama 2 7B, разработанный Saja Nakhleh для ответов на вопросы на арабском языке. Он дообучен на наборах sajaw/Arasquad3_llama2_version2 и sajaw/GQA_llama2_version; контекст, вопрос и ответ объединялись с инструкциями в одну запись. Для запуска адаптеру нужна базовая модель Llama 2 7B и совместимый загрузчик LoRA. В README приведены результаты проверки на 250 примерах AraSquad: F1 0,6818, точность 0,6564 и полнота 0,7226. Модель предназначена для вопросов и ответов по арабским текстам, включая сценарии, похожие на используемые наборы данных. Это экспериментальная разработка; приведённые метрики относятся к ограниченной выборке и не гарантируют качество на других данных. Репозиторий содержит адаптер, а для доступа к базовым весам Llama 2 требуется принять условия Meta. Лицензия репозитория — Apache-2.0.

Koichi Yasuoka разработал ModernBERT-large, предварительно обученную на японских текстах 青空文庫 (Aozora Bunko). Модель содержит 409,7 млн параметров, использует архитектуру ModernBERT и работает с контекстом до 8192 токенов. Доступны веса PyTorch; лицензия — Apache-2.0. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения на японские задачи, включая разметку частей речи и синтаксический анализ зависимостей. Она принимает текст и предсказывает замаскированные фрагменты. Обучение проводилось на восьми NVIDIA A100-SXM4-40GB примерно за 10 часов. Модель ориентирована на японский язык и корпус Aozora Bunko; README не сообщает об оценках качества или проверке на других доменах. Для специализированных задач потребуется дообучение.

Koichi Yasuoka разработал ModernBERT-large-thai-wikipedia — модель ModernBERT с 346 млн параметров, предварительно обученную на текстах тайской Википедии для предсказания пропущенных токенов. Она принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для задачи fill-mask и может служить основой для дообучения под последующие задачи обработки тайского языка, включая разметку частей речи и синтаксический разбор зависимостей. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

MORES_emotions9 — мультиязычная модель классификации эмоций на основе XLM-RoBERTa large, дообученная на размеченных вручную предложениях. Её разработали в рамках проекта MORES (Moral Emotions in Politics) для анализа эмоциональной окраски политической коммуникации и сравнительных исследований. Модель относит текст к одной из девяти категорий: гнев, страх, отвращение, грусть, радость, отсутствие этих эмоций, энтузиазм, надежда или гордость. Данные для обучения охватывают английский, немецкий, французский, польский, словацкий, чешский и венгерский языки; они дополнены переводами. В README указаны точность 0,72 и macro F1 0,72. Модель используется в Babel Machine — инструменте для сравнительных исследований. Для загрузки требуется авторизация из-за ограниченного доступа к репозиторию. Модель распространяется по лицензии CC BY 4.0. Качество различается между классами: например, F1 для гнева составляет 0,55, а для отвращения — 0,94, поэтому результаты стоит интерпретировать с учётом категории и языка.

Flippd Pinball Vision — Score Extraction — это локальный конвейер компьютерного зрения для чтения числовых счётов на фотографиях дисплеев пинбольных автоматов. Модель разработала Flippd. Конвейер состоит из детектора областей счёта на базе YOLO11s и CTC-распознавателя цифр на 8 млн параметров; оба компонента поставляются в формате ONNX и запускаются через ONNX Runtime. Изображение подаётся на вход, а результатом становятся упорядоченные по уверенности варианты счёта длиной от одной до двенадцати цифр. Модель предназначена для извлечения счёта с фотографий дисплеев: например, для каталогизации игровых результатов или автоматизации ввода счёта после проверки человеком. Обработка выполняется локально при запуске согласно README; CPU поддерживается по умолчанию, также описан запуск на CUDA. В README приведены результаты оценки на тестовой выборке: строгая точность top-1 — 77,97%, попадание правильного результата в список — 87,23%, наличие правильного результата среди показанных — 94,59%; качество на других изображениях может отличаться. Распознавание может быть ошибочным или не дать результата при бликах, размытии, наклонном ракурсе, перекрытии, низком разрешении, необычных дисплеях, анимации и других отличающихся от обучающих данных условиях. Уверенность служит сигналом ранжирования и не гарантирует правильность, поэтому для значимых случаев необходима проверка человеком. Репозиторий закрыт по запросу доступа; README указывает, что требуется принять лицензию, но конкретные условия лицензии в предоставленных данных не раскрыты.

TIGER-Lab разработала PixelReasoner-RL-v1 — мультимодальную модель на базе Qwen2.5-VL-7B-Instruct, дообученную с помощью обучения с подкреплением, стимулируемого любознательностью. Она принимает изображения и текстовые запросы и предназначена для диалогового анализа изображений и решения визуальных задач. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель подходит для вопросов об изображениях и визуального рассуждения; карточка также упоминает интерактивную демонстрацию и код для инференса на основе vLLM. Указанные языковые данные относятся к английскому. Репозиторий распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества и подробностей об ограничениях подхода.

noystl/recomb-pred-bge-large-en — англоязычная модель Sentence Transformer, дообученная автором noystl на базе BAAI/bge-large-en-v1.5 для поиска и сопоставления ответов с научными запросами о предсказании рекомбинации. Модель BERT с 433,9 млн параметров преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство оценивается косинусной метрикой. Максимальная длина входа — 512 токенов. Модель обучалась на датасете noystl/Recombination-Pred с контрастивной функцией потерь. Её можно применять для семантического поиска релевантных ответов, оценки сходства текстов, кластеризации и извлечения признаков для классификации. Она принимает текст и выдаёт векторы, а не готовые ответы; качество за пределами англоязычного сценария предсказания рекомбинации не подтверждено. Лицензия — CC.

Это японская базовая модель RoBERTa, разработанная nlp-waseda и предварительно обученная на японской Википедии и японской части CC-100. Она предназначена для задачи masked language modeling: модель предсказывает скрытые токены в тексте и может использоваться как основа для языковых задач на японском языке. Модель имеет плотную архитектуру RoBERTa с 137,8 млн параметров и контекстом до 514 токенов. Для токенизации использовались Juman++ 2.0.0-rc3 и SentencePiece; словарь содержит 32 000 токенов. Карточка сообщает о поддержке японской токенизации через BertJapaneseTokenizer, но отмечает, что токенизация больших наборов данных может быть медленной из-за отсутствия fast-токенизации. Модель распространяется по лицензии CC BY-SA 4.0.

KoichiYasuoka/roberta-base-thai-spm — модель RoBERTa, предварительно обученная на текстах тайской Википедии. Она предназначена для предсказания замаскированных токенов и дообучения для прикладных задач обработки тайского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель содержит 115,6 млн параметров, использует архитектуру RobertaForMaskedLM и SentencePiece-токенизацию; максимальная длина контекста — 512 токенов. Модель принимает текст на тайском языке и выдаёт распределение вероятностей для замаскированных токенов. Весами в формате PyTorch можно пользоваться через Transformers. Лицензия — Apache-2.0. Для POS-разметки и синтаксического анализа модель нужно дообучить; карточка не приводит оценок качества на этих задачах.

RoBERTaLexPT-base — португалоязычная языковая модель с архитектурой RoBERTa-base, разработанная Eduarda Garcia и предварительно обученная с нуля на корпусах LegalPT и CrawlPT. Модель содержит 151,8 млн параметров и рассчитана на работу с португальским языком, включая варианты pt-BR и pt-PT; максимальная длина контекста составляет 514 токенов. Модель предназначена для заполнения маскированных фрагментов текста и может служить основой для задач NLP в юридической сфере. В карточке приведена оценка на четырёхзадачном юридическом бенчмарке PortuLex. Для обучения использовались дедупликация корпусов и отдельный BPE-словарь. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0), требующая указания авторства.

scotus-v10 — компактная модель классификации последовательностей на базе BERT, дообученная автором репозитория raminass на nlpaueb/legal-bert-small-uncased. Она предназначена для классификации текстов; название указывает на связь с решениями Верховного суда США, однако README не подтверждает конкретную схему меток или сценарий применения. Модель содержит 40,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Базовая модель предварительно обучена на юридических текстах на английском языке. На указанном в карточке наборе оценки модель достигла accuracy 0,8842 и loss 0,7971. Данные обучения в README обозначены как None, поэтому область применимости этих результатов оценить нельзя. Модель распространяется по лицензии CC BY-SA 4.0.

Tahsin-Mayeesha/squad-bn-mt5-base2 — дообученная модель на базе google/mt5-base, построенная на архитектуре T5 и предназначенная для генерации текста по текстовому запросу. Название модели указывает на работу с вопросами и ответами по SQuAD на бенгальском языке, однако README не описывает формат входа и обучающий набор данных: в карточке датасет обозначен как None. В README приведены результаты оценки: ROUGE-1 F-меры 32,67 и BLEU-4 6,62. Модель содержит 291,2 млн параметров, доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста или практических ограничениях.

lmqg/t5-small-squad-qag — модель на архитектуре T5-small, разработанная lmqg и дообученная для генерации пар «вопрос — ответ» по датасету lmqg/qag_squad. Она предназначена для автоматического составления вопросов и соответствующих ответов по тексту на английском языке, например для подготовки учебных материалов и создания наборов вопросов по документам. Модель содержит 38,5 млн параметров, использует формат PyTorch и имеет контекстное окно 512 токенов. Модель подходит для генерации вопросов и ответов в сценариях контроля понимания прочитанного. В README приведены метрики QAAligned на BERTScore и MoverScore для исходного датасета, но без полного описания протокола оценки эти результаты не гарантируют качество на других данных. Лицензия — CC BY 4.0.

minhtoan/t5-translate-vietnamese-nom — компактная модель на основе Transformer encoder-decoder T5, опубликованная Phan Minh Toan для преобразования текстов на письме Чы-ном в современную вьетнамскую запись латиницей. Она предназначена для транслитерации и перевода исторических текстов, включая литературные произведения и документы на Чы-ном; в карточке задача указана как перевод. Модель содержит 16,6 млн параметров и доступна в формате PyTorch для библиотеки Transformers. Модель обучалась на текстах из нескольких произведений и корпуса документов chunom.org, включая материалы примерно из 130 книг. Пример в карточке преобразует строку иероглифов в латинскую запись вьетнамского языка. Лицензия — MIT. Качество и охват могут зависеть от соответствия входного текста историческим источникам и данным обучения; сведений о длине контекста или систематической оценке качества в предоставленных материалах нет.

tadabur-embedding — модель аудиоэмбеддингов на базе Efficient Audio Transformer (EAT), разработанная для работы с записями чтения Корана. Общий энкодер содержит 12 блоков Transformer с размерностью 768; его обучили с нуля на аудиоданных таджвидного чтения, а затем настроили контрастивным обучением на семантическое содержание и голос чтеца. Модель выдаёт два L2-нормированных векторных представления: семантическое размерностью 384 для поиска похожих аятов и выявления дубликатов, и представление голоса размерностью 128 для сравнения и кластеризации чтецов. Также доступны признаки по кадрам для анализа временной структуры, сегментации и выравнивания записей. На вход подаются монофонические аудиозаписи с частотой 16 кГц, преобразованные в лог-мел-спектрограммы из 128 полос; длина окна — до 10,24 секунды. Модель предназначена прежде всего для арабского чтения Корана, качество на других аудиодоменах не гарантируется. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

VisCPM-Chat — открытая мультимодальная модель диалога с изображениями, разработанная командой OpenBMB. Она принимает изображение и текстовый вопрос и формирует текстовый ответ на китайском или английском языке. Модель содержит 13,2 млрд параметров; в её архитектуре VisCPM-Chat используется визуальный энкодер Q-Former и языковая модель CPM-Bee с 10 млрд параметров. Модель предварительно обучали на англоязычных парах изображение–текст, затем дообучали на инструкциях LLaVA-150K и их переводах на китайский. Она предназначена для диалога об изображениях, описания визуальных деталей и ответов на вопросы, требующие визуального рассуждения. В README также приведены оценки на англоязычном и переведённом китайском тестовых наборах LLaVA; конкретные результаты в карточке опущены. Для запуска требуется GPU с объёмом памяти не менее 40 ГБ согласно README. Репозиторий содержит веса PyTorch; метаданные указывают pipeline-тег feature-extraction, хотя описание модели в README относится к мультимодальному диалогу. Лицензия в предоставленных данных не указана.

WebRL-Llama-3.1-8B — открытая модель Zhipu AI для выполнения операций в веб-интерфейсах на пяти сайтах из WebArena: OpenStreetMap, Reddit, GitLab, CMS интернет-магазина и OneStopShop. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текстовые инструкции и генерирует текстовые ответы и действия для веб-сценариев. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. Модель предназначена для веб-агентов, которым нужно выполнять пользовательские операции на поддерживаемых сайтах. В оценке WebArena-Lite она показала средний показатель успешности 42,4%; результаты различаются между сайтами. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Японская базовая модель BERT от Hitachi NLP для задачи заполнения пропусков в тексте: она предсказывает замаскированные токены на основе контекста. Модель содержит 136,3 млн параметров, использует архитектуру BERT и рассчитана на последовательности длиной до 512 токенов. Для токенизации применяется Juman++ с Unigram; словарь токенизатора нужно отдельно скачать из репозитория разработчика и передать при загрузке.

ChatRex-7B — мультимодальная языковая модель IDEA-Research для ответов на вопросы об изображениях с привязкой ответов к конкретным объектам и областям. Она объединяет языковую модель с модулем предложений объектов Universal Proposal Network (UPN), который основан на DETR и использует стратегию с двумя уровнями детализации. Входы модели — изображение, текстовый запрос и рамки объектов, которые можно получить через UPN или задать вручную. Модель предназначена для обнаружения и локализации объектов, диалога с привязкой к областям изображения, описания регионов и генерации подписей к изображению с указанием объектов. В карточке указаны высокоразрешённые визуальные входы и обучение на наборе Rexverse-2M с аннотациями областей и текста. Модель объединяет компоненты на основе laion/CLIP-convnext_large_d.laion2B-s26B-b102K-augreg, lmsys/vicuna-7b-v1.5 и openai/clip-vit-large-patch14; формат весов — safetensors. Поддерживается английский язык. Для работы требуется передать рамки объектов вместе с изображением и запросом; качество и языковая поддержка за пределами описанных сценариев в карточке не охарактеризованы. Лицензия в предоставленных данных не указана.

Карточка модели hfl/chinese-legal-electra-base-generator на Hugging Face совпадает с карточкой hfl/chinese-legal-electra-large-generator, поэтому описание составлено по ней. hfl/chinese-legal-electra-large-generator — китайская предварительно обученная модель семейства ELECTRA, опубликованная Совместной лабораторией HIT и iFLYTEK Research (HFL) на основе официального кода ELECTRA. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться как языковая основа для задач обработки китайского текста, включая юридические тексты. Модель имеет плотную архитектуру ElectraForMaskedLM, содержит 30,6 млн параметров и обрабатывает последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow; язык карточки — китайский. Лицензия — Apache-2.0. В README приведено общее описание китайской линейки ELECTRA, но отдельные характеристики юридического домена для этой версии не раскрыты.

Embodiment Classifier — классификатор предложений из англоязычной художественной прозы, разработанный для разметки категорий телесности в нарративе. Модель дообучена на базе FacebookAI/roberta-base; архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, контекст — 514 токенов. Модель присваивает каждому предложению одну из 11 категорий, включая движение персонажа, осязание материала, телесные ощущения персонажа, мимику, зрительное восприятие и жесты. Она предназначена для анализа художественных текстов и поддержки исследований в литературоведении и цифровых гуманитарных науках. На тестовой выборке из 580 примеров micro-F1 составил 0,805, macro-F1 — 0,797; в пятифолдовой кросс-валидации micro-F1 составил 0,808 ± 0,022. Модель принимает текст и выдаёт метку категории с оценкой уверенности. Обучена для английской прозы и лицензирована по CC BY 4.0.

FinLongformer — англоязычный финансовый и количественный текстовый энкодер, созданный дообучением Allen Institute for AI модели allenai/longformer-base-4096 методом masked language modeling. Он предназначен как отправная точка для разработки и проверки моделей понимания финансовых документов; сохраняет MLM-голову и принимает последовательности до 4096 токенов. Архитектура Longformer включает 12 слоёв и 768-мерные представления токенов, всего около 151,8 млн параметров. Обучение продолжено на англоязычных повествовательных разделах SEC 10-K, материалах Федеральной резервной системы и текстах по количественным финансам. Модель подходит для предсказания замаскированных токенов и получения текстовых представлений длинных финансовых документов, но для прикладных задач потребуется подобрать и проверить отдельную голову или способ pooling. Лицензия — Apache-2.0. Валидационные показатели относятся к выборке финансовых текстов, использованной при выборе чекпойнта, а независимого закрытого тестирования и доказательств улучшения на последующих задачах нет. Не проверены сохранение качества на общих текстах и результаты финансовых бенчмарков; MLM-оценки не подтверждают числовое рассуждение или доходность торговых стратегий.

FinTurkBERT Sentiment — модель для классификации тональности коротких финансовых текстов на турецком языке с точки зрения инвестора. Она разработана на основе турецкой BERT-модели: базовую модель дополнительно обучали на турецких финансовых текстах, затем применили task-adaptive pretraining и дообучили на турецкой версии Financial PhraseBank для распознавания трёх классов: негативного, нейтрального и позитивного. Архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, контекст — до 512 токенов. Модель предназначена для анализа финансовых новостей, корпоративных объявлений, деловых публикаций для инвесторов и комментариев о рынке. Она оценивает, подразумевает ли предложение негативное, нейтральное или позитивное влияние на стоимость для инвестора, и намеренно осторожно присваивает позитивные и негативные метки. В описанной конфигурации на валидации достигнуты accuracy 87,01% и macro-F1 0,8564. Модель лучше подходит для коротких финансовых фрагментов, чем для длинных документов. Она может недооценивать слабо выраженные позитивные сигналы; качество может снижаться на неформальных, спекулятивных и нефинансовых текстах. Распространяется по лицензии Apache 2.0.

Gemma3-4B-CVRR — исследовательский чекпойнт команды авторов работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary», дообученный на основе Google Gemma 3 4B IT. Модель предназначена для ответов на вопросы об изображениях с помощью метода Causal Visual Recurrent Reasoning (CVRR): она многократно уточняет состояние вопроса, сохраняя доступ к визуальным данным, а при формировании ответа передаёт декодеру итоговое состояние рассуждения без прямого доступа к исходным визуальным представлениям. В репозитории находятся веса базовой модели и объединённый рекуррентный переход; отдельная загрузка LoRA-адаптера не требуется. Доступны строгий режим считывания по первому токену ответа и детерминированная генерация с greedy-декодированием. Для запуска нужен специальный загрузчик Transformers и зависимости из README. Загрузчик не поддерживает автоматическое распределение модели по GPU, сохранение через обычный save_pretrained(), а также прямую загрузку в vLLM или SGLang; рекомендуется закреплять ревизию Hub для воспроизводимости. Лицензия — Gemma.

Это квантованная GGUF-конверсия модели z-lab/gemma4-12B-it-DFlash, опубликованная в репозитории williamliao/gemma-4-12B-it-DFlash-GGUF. Модель предназначена для speculative decoding по технологии DFlash и не является самостоятельной языковой моделью: она выступает draft-моделью совместно с совместимой целевой моделью google/gemma-4-12B-it. Модель поставляется в формате GGUF с квантованием Q4_K_M и используется через llama.cpp с поддержкой DFlash. Целевая и draft-модели должны иметь одинаковые tokenizer и vocabulary; целевая модель в состав репозитория не входит. Конкретные модальности, языки и размер контекста в README не указаны. Для запуска требуется современная сборка llama.cpp с поддержкой DFlash. Основное преимущество модели — потенциальное ускорение генерации за счёт принятия нескольких предсказанных draft-токенов. В приведённом тесте на NVIDIA GeForce RTX 5070 Ti 16 GB лучший совокупный результат показал параметр n_max=4, а наиболее высокая общая доля принятых токенов — n_max=2. Эффективность существенно зависит от задачи: лучшие результаты наблюдались для структурированного вывода, JSON, повторяющихся шаблонов, математики и некоторых сценариев генерации кода, тогда как перевод и творческое письмо давали более низкую долю принятия. Прямое ускорение относительно обычной генерации в README не измерялось. Лицензия — Apache-2.0.

GujiBERT_fan — это языковая модель семейства BERT, разработанная командой hsc748NLP для интеллектуальной обработки древнекитайских текстов. Модель ориентирована на традиционную китайскую письменность и создана как базовая модель понимания естественного языка для задач, связанных с древними книгами. Модель содержит около 139,9 млн параметров, работает в архитектуре BERT и поддерживает контекст до 512 токенов. В Hugging Face она опубликована для задачи заполнения пропусков (fill-mask), поэтому подходит для восстановления скрытых фрагментов и получения контекстных представлений текста. Исследовательские материалы также связывают семейство GujiBERT с сегментацией предложений, пунктуацией, токенизацией, разметкой частей речи, распознаванием сущностей и автоматическим переводом древних текстов. Основное преимущество модели — специализация на древнекитайском языке и традиционных иероглифах, а не на современном общем корпусе. Она не является генеративной моделью для свободного продолжения текста и предназначена прежде всего для понимания и анализа древних текстов. Модель распространяется по лицензии Apache-2.0.

ethanyt/guwenbert-base — модель RoBERTa, разработанная Tan Yan и Zewen Chi из Datahammer при Пекинском технологическом институте и предварительно обученная на классическом китайском языке. Её можно дообучать для задач обработки древних текстов, включая разделение предложений, расстановку пунктуации и распознавание именованных сущностей. Модель содержит 131,1 млн параметров и принимает последовательности длиной до 514 токенов. Для обучения использован корпус daizhige: 15 694 книги классического китайского языка, около 1,7 млрд знаков; традиционные иероглифы приведены к упрощённым, словарь включает 23 292 токена. В оценке распознавания сущностей в древних книгах модель заняла второе место на конкурсе «Gulian Cup». Для заполнения масок используется задача fill-mask; для других сценариев из README требуется дообучение. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Koharu Text SAM-TS-L — модель сегментации текста на страницах манги, разработанная mayocream путём дообучения ViT-L Hi-SAM/SAM-TS TextSeg. Она выделяет пиксели текста и предназначена для подготовки масок текста при оцифровке манги и комиксов. Модель возвращает бинарную маску изображения; она не обнаруживает речевые пузыри, панели или отдельные текстовые строки и не распознаёт символы. Полная модель содержит около 339 млн параметров и распространяется в формате SafeTensors; также доступно состояние обучаемого адаптера примерно на 30,7 млн параметров. На тестовых страницах из четырёх книг модель улучшила HR IoU относительно исходного TextSeg на 39 из 40 страниц. Обучение и оценка проводились на страницах японской манги из Manga109; лицензия весов — Apache-2.0. Модель лучше работает с чётко напечатанным японским текстом. Мелкий текст, стилизованные звуковые эффекты, плотная верстка и текстоподобные иллюстрации остаются сложными случаями; для других стилей манги и комиксов возможен разрыв предметной области. Для запуска требуются Hi-SAM и его зависимости; модель не совместима напрямую с transformers.AutoModel и виджетом инференса Hugging Face.

unslothai/lambda — репозиторий модели для извлечения признаков на Hugging Face, опубликованный резервной учётной записью Unsloth. Карточка предлагает использовать её через Transformers с задачей feature-extraction; метаданные указывают архитектуру Llama и формат Safetensors. Это позволяет применять модель для получения векторных представлений текста. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию. В доступных источниках также нет проверенных сведений о качестве и ограничениях получаемых представлений.