I.3Извлечение и структурирование данных

Dronam-Vision-V1-GGUF — медицинская мультимодальная модель для анализа рентгенограмм, представленная как вариант Dronam-Vision-V1 для запуска через llama.cpp и LM Studio. По README, языковая модель объединена с Gemma-4-E2B-it и квантована в GGUF Q4_K_M; также в репозитории есть ONNX-классификатор переломов. Метаданные указывают производную связь с amitaddi/dronam-vision-v1, поддержку диалога с изображениями и лицензию Apache-2.0. Модель предназначена для подготовки чернового описания рентгенограмм: определения области исследования, проекции и наличия медицинских конструкций. README приводит результаты гибридного определения переломов на 816 снимках FracAtlas: сбалансированная точность 85,8%, чувствительность 93,0%, специфичность 78,6%; точность определения области составила 92,3%, проекции — 87,7%. Для флага перелома следует отдельно запускать ONNX-классификатор на CPU. Описание является вспомогательным материалом, и каждое заключение должен проверять врач. Модель рассчитана на контекст 4096 токенов по инструкции запуска; README не сообщает отдельного размера модели помимо файловых размеров.

Marxav/frpron — экспериментальная языковая модель на архитектуре GPT-2, разработанная для предсказания слогового фонемного произношения французских слов. На вход подаётся слово и двоеточие, например «bonjour:», а модель генерирует произношение в Международном фонетическом алфавите (IPA), разделяя слоги точкой и используя знак ‿ для связок. Модель предназначена для автоматического получения французской фонетической записи, например для словарных статей и лингвистических инструментов. Модель обучена на данных французского Wiktionary; работа основана на статье и коде OTEANN, использовавших minGTP. Метаданные указывают формат PyTorch, контекст 1024 токена и языковую метку fr. README ограничивает вход 60 буквами и отмечает необходимость дополнительного дообучения для омографов с разным произношением, французских liaison и римских цифр. Условия лицензирования в доступных данных не описаны.

grc_odycy_joint_sm — модель из проекта OdyCy, представляющая собой общий NLP-конвейер spaCy для древнегреческого языка. Она предназначена для лингвистического анализа текстов на древнегреческом; README сообщает о высокой точности на тестовых данных Universal Dependencies Perseus и втором результате на тесте PROIEL по ряду задач. В конвейере есть три компонента и 2299 меток, включая морфосинтаксические категории. Модель распространяется по лицензии MIT. Размер и длина контекста в предоставленных сведениях не указаны.

Карточка модели lintw/HealthGPT-L14 на Hugging Face совпадает с карточкой lintw/HealthGPT-M3, поэтому описание составлено по ней. HealthGPT-M3 — модель lintw для унифицированных мультимодальных медицинских задач, дообученная на базе microsoft/Phi-3-mini-4k-instruct. Карточка описывает её как модель для работы с медицинскими данными в разных модальностях, но не уточняет архитектуру, конкретные поддерживаемые модальности или отдельные сценарии применения. В метаданных указаны английский и китайский языки, лицензия MIT и задача any-to-any. Базовая Phi-3-mini-4k-instruct — компактная диалоговая языковая модель с контекстом до 4096 токенов; этот предел относится к базовой модели, а контекст HealthGPT-M3 отдельно не подтверждён. Подробности о качестве и ограничениях в карточке отсутствуют.

Карточка модели klyang/MentaLLaMA-chat-7B-hf на Hugging Face совпадает с карточкой klyang/MentaLLaMA-chat-7B, поэтому описание составлено по ней. MentaLLaMA-chat-7B — языковая модель проекта MentaLLaMA для интерпретируемого анализа психического здоровья. Это плотная авторегрессионная модель семейства LLaMA, дообученная для диалогового следования инструкциям на основе Meta LLaMA 2 Chat 7B и набора IMHI. В карточке указано, что обучение использовало 75 тысяч инструкций, а оценка проводилась на 20 тысячах примеров бенчмарка IMHI. Модель принимает текстовые запросы и генерирует текстовые прогнозы и объяснения по различным задачам анализа психического здоровья. Она предназначена для не клинических исследований и экспериментов, например для анализа текстовых данных в рамках исследовательских проектов. Заявлены результаты, сопоставимые с сильными дискриминативными методами, и способность объяснять предсказания; контекст составляет 4096 токенов. Модель разработана авторами проекта MentaLLaMA и распространяется по лицензии MIT. Возможны неверные прогнозы, неподходящие объяснения, чрезмерные обобщения и смещения, включая различия по полу. Её результаты не следует использовать для клинических решений или вместо помощи психиатра либо другого медицинского специалиста.

Koichi Yasuoka разработал RoBERTa-модель для классического китайского языка на основе ethanyt/guwenbert-large. Она содержит 429,6 млн параметров, использует архитектуру RoBERTa с языковой моделью для восстановления замаскированных токенов и принимает контекст длиной до 514 токенов. Представление символов расширено для поддержки традиционных и упрощённых китайских иероглифов. Модель предназначена для восстановления пропусков в классических китайских текстах и как основа для дообучения под задачи сегментации предложений, разметки частей речи и синтаксического анализа зависимостей. Для применения доступна через Transformers в формате PyTorch. Лицензия Apache-2.0.

slm-125m-ppo — плотная авторегрессионная модель семейства Llama на 125,8 млн параметров, разработанная как этап эксперимента по предпочтительной оптимизации PPO для вопросов по юридическим и финансовым текстам. Она дообучена на базе prajwal55/slm-125m-sft и предназначена для извлечения ответов из предоставленного отрывка с сохранением опоры на его содержание. Модель принимает текст и генерирует текст; контекст — до 1024 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия MIT. Это отрицательная часть контролируемого сравнения алгоритмов, а не готовое средство для надёжного отказа от неподтверждённых ответов. На 121 отложенном вопросе без ответа модель не воздержалась ни разу; точность передачи чисел снизилась с 98,1% у исходной SFT-модели до 93,5%. Авторы сообщают, что PPO повышал награду, но не целевое поведение, и ограничивают выводы конкретным экспериментом на примерно 1 200 парах предпочтений. Модель не подходит для ответов без предоставленного текста. Лицензия — MIT.

Voxlect English Dialect Whisper Large v3 — модель классификации английских диалектов на основе Whisper large-v3, дообученная Tiantian Feng. Она анализирует аудио речи и относит его к одной из 16 категорий, включая региональные группы East Asia, North America, Irish, Scottish, Welsh, South African и другие. Модель предназначена для анализа диалектных различий и исследовательской работы с речью; в README указано, что обучение дополнено данными TIMIT и ParaSpeechCaps. Модель принимает аудио и выдаёт метку класса диалекта. Она не предназначена для клинической диагностики, наблюдения или вторжения в частную жизнь. README запрещает коммерческое использование и требует соблюдать конфиденциальность, получать согласие субъектов данных и учитывать применимые законы. Лицензия в метаданных указана как OpenRAIL.

AAIE GFT Full FG 8K — исследовательский прототип на базе Llama, разработанный moinsaj для генерации структурированной обратной связи по учебным заданиям. Модель принимает описание задания, рубрику и работу студента и формирует ответ в JSON с оценками по критериям, их статусами, комментариями и общей обратной связью. Это плотная авторегрессионная модель с 354,4 млн параметров, обученная полными весами; репозиторий содержит самостоятельный чекпойнт, а не LoRA-адаптер. Контекст настроен на 8192 токена, однако это не гарантирует надёжную работу с длинным контекстом. Указан английский язык, модель загружается через Transformers. На 50 повторно использованных записях разработки модель выдала строгий JSON в 82% случаев, но показала сильные повторения, точное совпадение наборов идентификаторов критериев лишь в 2% случаев и среднюю абсолютную ошибку оценок 2,0. Поэтому её следует использовать для исследований, воспроизводимых проверок и демонстраций под контролем преподавателя, а не для автономного оценивания. Лицензия обозначена как other; перед использованием нужно проверить условия лицензии базовой модели и требования к данным.

f-BERT — модель семейства BERT, представленная авторами работы «Knowledge Enhance Masked Language Model for Stance Detection» на NAACL 2021. Она дообучена для классификации позиции в сообщениях Twitter по отношению к Дональду Трампу и предназначена для анализа политических высказываний, в частности о выборах президента США 2020 года. Модель основана на BERT-base и содержит 136,8 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса PyTorch и Flax. Для предварительного обучения использовалось более пяти миллионов англоязычных твитов о выборах 2020 года, после чего модель дообучили на данных с разметкой позиции относительно Трампа. Лицензия — GPL-3.0. Модель специализирована на этой теме и англоязычном Twitter-контексте; перенос результатов на другие темы, платформы и языки может быть ограничен.

IAMJB/chexpert-mimic-cxr-findings-baseline — модель типа vision-encoder-decoder на базе Transformers, предназначенная для генерации текстовых описаний по рентгеновским снимкам грудной клетки. Карточка сообщает об оценке на наборе CheXpert-Plus и приводит сценарий использования модели. Модель принимает изображение и выдаёт текст; в метаданных указан английский язык. Репозиторий распространяется в формате safetensors под лицензией MIT. Карточка не сообщает размер модели и длину контекста.

ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

cemig-nlp-releases/energy-gpt-regulatorio-v3 — модель семейства Qwen3.5, разработанная для диалоговой работы с нормативными и техническими материалами в сфере распределения электроэнергии. Согласно карточке, модель обучена с нуля на наборе TokenLab/CemigConvoV1.1 и данных norm_tecnicas_dist.jsonl; в метаданных указаны архитектура Qwen3_5ForConditionalGeneration, поддержка чата и изображений, а также формат safetensors. Модель предназначена для ответов на вопросы и диалога по тематике регулирования и распределения электроэнергии. Заявленная оценка на тестовом наборе: loss 0,6464 и perplexity 1,9087. Карточка не сообщает размер параметров, длину контекста, языки, лицензию или условия коммерческого использования, поэтому эти характеристики нельзя определить.

Machiavellianism Continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В карточке указаны метрики оценки на тестовом наборе: loss 0,0615, RMSE 0,2481, MAE 0,1990 и корреляция 0,4081; сведения о наборе данных и методике оценки не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 Base и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для оценки выраженности макиавеллизма по тексту. Она может применяться для исследовательской разметки и анализа текстовых данных по этому психологическому признаку. Распространяется по лицензии MIT.

OpenGVLab/Mini-InternVL2-4B-DA-Medical — медицинская адаптация мультимодальной модели Mini-InternVL2, разработанная OpenGVLab. Она предназначена для диалога по медицинским изображениям и визуальных вопросов и ответов в медицинском контексте. Модель основана на InternVL2-4B и объединена с ним; архитектура InternVL Chat — плотная, около 4,2 млрд параметров. Принимает изображения и текстовые запросы, отвечает текстом; репозиторий использует Transformers и формат safetensors. Для адаптации использовались медицинские датасеты PMC-OA, MedICaT, Open-i, MedPix, Quilt-1M, RP3D, MIMIC-CXR и Retina Image Bank, наряду с наборами общего визуального назначения. Языковая поддержка обозначена как многоязычная. Модель подходит для исследовательских и прикладных сценариев анализа медицинских изображений, однако README не приводит численных оценок качества и не уточняет клинические ограничения. Лицензия — MIT.

juancavallotti/roberta-base-culinary — модель на архитектуре BERT, дообученная автором на кулинарном наборе данных. Она предназначена для заполнения пропусков в тексте: по контексту предлагает подходящие слова на месте маски. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель подойдёт для подстановки кулинарных терминов и ингредиентов в замаскированные фрагменты текста, а также для экспериментов с языковыми моделями в кулинарном домене. В README указана оценка loss 1,1032 на тестовой выборке, но сведения о наборе данных, языках и более широких результатах отсутствуют.

Stanza — набор инструментов для лингвистического анализа естественных языков, разработанный Stanford NLP. Этот репозиторий содержит модель Stanza для древнегреческого языка (grc), предназначенную для разметки текста на уровне токенов в рамках лингвистического анализа. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Карточка описывает её как часть набора инструментов Stanza для анализа текста от исходного текста до синтаксического разбора и распознавания сущностей, однако конкретные параметры и дополнительные возможности этого чекпойнта не приведены.

jalal2386/wav2vec2-base-librispeech-demo — дообученная модель распознавания речи на базе facebook/wav2vec2-base. Она предназначена для преобразования речевого аудио в текст и может применяться для экспериментов с автоматическим распознаванием речи. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 113,3 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. В карточке приведён результат оценки WER 0,9901, что указывает на очень высокую долю ошибок в этой оценке; практическое качество распознавания по имеющимся данным выглядит низким. Датасет обучения и поддерживаемые языки не установлены.

aristoBERTo — трансформерная модель семейства BERT для древнегреческого языка, разработанная проектом Diogenet Калифорнийского университета в Сан-Диего. Это модель с 140,1 млн параметров, архитектурой BertForMaskedLM и контекстом до 512 токенов. Её предобучили продолжением обучения: исходные веса GreekBERT, обученного на корпусе современного греческого объёмом около 30 ГБ, адаптировали на корпусе древнегреческих текстов объёмом около 900 МБ. Модель предназначена для предсказания пропущенных токенов и тонкой настройки на задачи древнегреческой лингвистики, включая разметку частей речи, морфологии, синтаксических зависимостей и лемм, а также распознавание именованных сущностей. Она может помогать восстанавливать повреждённые тексты папирусов, надписей и рукописей. В большинстве упомянутых авторами downstream-задач на древнегреческом языке модель превосходит xlm-roberta-base и mdeberta. Модель распространяется в формате PyTorch. В карточке не указана лицензия, поэтому условия повторного использования следует проверить в репозитории модели.

Jihuai/bert-ancient-chinese — это модель BERT для работы с классическим китайским языком, разработанная Pengyu Wang и Zhichen Ren. Она создана для автоматической обработки древнекитайских текстов в задачах цифровой гуманитаристики и дообучена на основе bert-base-chinese с использованием крупного корпуса древнекитайских текстов. Модель имеет архитектуру BERT с 142,6 млн параметров и контекстом до 512 токенов. Её словарь расширен до 38 208 токенов, включая редкие иероглифы традиционного китайского письма. Основная задача — предсказание пропущенных токенов; модель также применялась как основа для дообучения на сегментацию слов и разметку частей речи. Доступна в формате PyTorch. Модель рассчитана на классический китайский язык и может быть полезна для анализа исторических текстов, филологических исследований и обучения традиционной культуре. Результаты в downstream-задачах зависят от набора данных и параметров дообучения. Лицензия — Apache-2.0.

nlp-esg-scoring/bert-base-finetuned-esg-a4s — модель семейства BERT с архитектурой BertForMaskedLM, обученная с нуля на неизвестном наборе данных. Она предназначена для задачи fill-mask: предсказания скрытых токенов в тексте. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены значения потерь на обучающей и проверочной выборках после 9 эпох, но не описаны датасет, языки, целевые сценарии и ограничения. Репозиторий содержит веса в формате TensorFlow; сведения о лицензии в доступных данных отсутствуют.

nlpaueb/bert-base-uncased-echr — англоязычная модель LEGAL-BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса. Это вариант BERT-base, предварительно обученный на материалах дел Европейского суда по правам человека (ЕСПЧ) для исследований и прикладных задач NLP в юридической сфере. Модель предназначена для предсказания замаскированных слов в юридических текстах; например, она может подбирать вероятные слова в формулировках судебных решений ЕСПЧ. Архитектура — плотный BERT, размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Доступны форматы PyTorch, TensorFlow и Flax. Модель специализируется на английских юридических текстах и может быть полезна как основа для дальнейшей адаптации к задачам юридической аналитики. Карточка приводит пример предсказания слова, но не подтверждает отдельные возможности для классификации или ответов на вопросы. Лицензия — CC BY-SA 4.0.

lukasdrg/clinical_longformer_same_tokens_180k — модель LongformerForMaskedLM размером 151,8 млн параметров, обученная с нуля. Метаданные указывают задачу fill-mask: модель предсказывает замаскированные токены в тексте. В README приведено значение loss 1,8381 на оценочном наборе, однако сведения о наборе данных и назначении модели не раскрыты. Название указывает на клиническую область, но README не подтверждает состав обучающих данных или пригодность модели для медицинского применения. Лицензия в предоставленных данных отсутствует.

Dart v1 — предобученная авторегрессионная языковая модель семейства OPT, разработанная Plat для генерации тегов Danbooru. Модель содержит 165,5 млн параметров, принимает текстовый промпт в специализированном формате и генерирует упорядоченную последовательность тегов; контекст — до 2048 токенов. Доступны веса Safetensors и ONNX, включая квантованный вариант ONNX. Лицензия — Apache-2.0. Модель предназначена для дополнения набора тегов публикации тегами категорий рейтинга, авторских прав, персонажей и общих тегов. Она обучалась на датасете isek-ai/danbooru-tags-2023, собранном из тегов Danbooru за 2005–2023 годы. Естественные языковые инструкции не поддерживаются: требуется специальная структура промпта, а теги располагаются в алфавитном порядке. Это базовая предобученная версия; автор рекомендует конечным пользователям дообученный вариант p1atdev/dart-v1-sft. Обучение только на алфавитном порядке ухудшает генерацию, если в начале промпта стоят теги, расположенные позднее по алфавиту. Оценка качества не проводилась, а модель не умеет гибко учитывать произвольные пожелания.

Это небольшая японская модель ELECTRA, опубликованная Cinnamon и предназначенная для заполнения пропусков в тексте. Она использует архитектуру ELECTRA с головой ElectraForMaskedLM и насчитывает 20,8 млн параметров; максимальная длина контекста — 512 токенов. Модель предобучена на субсловах BPE, построенных на японской Википедии с начальной токенизацией MeCab и словарём mecab-ipadic-NEologd. Модель подходит для восстановления замаскированных фрагментов японского текста и экспериментов с японскими текстовыми энкодерами. Для токенизации README рекомендует использовать подходящий словарь MeCab, в частности mecab-ipadic-NEologd. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных материалах отсутствуют.

GePaBERT — модель семейства BERT, разработанная на основе deepset/gbert-large и дообученная на корпусе выступлений в Бундестаге Германии. Она создана для задачи атрибуции говорящего в парламентских дебатах, в частности для участия в соревновании KONVENS 2023. В репозитории указана задача заполнения пропусков в тексте (fill-mask). Модель содержит около 434,5 млн параметров, принимает текст с замаскированными токенами и рассчитана на контекст до 512 токенов. На отложенной случайной выборке авторы сообщают loss 0,7997 и accuracy 0,8020. Модель ориентирована на немецкие парламентские речи за период с 1980 года по апрель 2023 года. Лицензия — MIT. Результаты оценки относятся к описанной выборке и сами по себе не подтверждают качество атрибуции говорящего на других типах текстов.

GysBERT v1 — историческая языковая модель для нидерландского языка из проекта MacBERTh. Она разработана на основе BERT base uncased и содержит 136,7 млн параметров; модель опубликована в формате PyTorch, принимает текст с контекстом до 512 токенов. Предобучение выполнено преимущественно на материалах DBNL и архиве газет Delpher. Модель предназначена для работы с историческим нидерландским текстом и успешно проверялась на задачах снятия лексической неоднозначности (Word Sense Disambiguation), в том числе в рамках исследования о снятии неоднозначности слов в исторических языках. Карточка не описывает другие подтверждённые задачи или обновлённый вариант модели. Лицензия — MIT. Результаты проверки указаны для задач из публикации; качество на иных корпусах и современных текстах README не характеризует.

IngroupLoyalty_continuous — модель классификации текста на основе DeBERTa v3 Base, дообученная автором ajrayman. Веса содержат около 211,6 млн параметров, модель принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT. Модель предназначена для оценки текстов в задаче непрерывного прогнозирования показателя, связанного с лояльностью к своей группе. В README приведены результаты на тестовой выборке: loss 0,0377, RMSE 0,1943, MAE 0,1542 и корреляция 0,3554. Описание набора данных, шкалы оценки и предполагаемых сценариев применения не предоставлено, поэтому результаты и применимость модели следует проверять на целевых данных.

Ishigaki-AEC-9B — языковая модель ONESTRUCTION для ответов на вопросы о японских строительных спецификациях. Она создана методом supervised fine-tuning с LoRA на базе Qwen3.5-9B и предназначена для работы через Transformers в формате safetensors. Модель отвечает на японском языке по требованиям к архитектурным, гражданским, электротехническим и механическим строительным работам. Она помогает разъяснять процедуры и находить пункты спецификаций и законов, подтверждающие ответ, например при проверке проектной документации. Обучающие материалы подготовлены на основе публичных спецификаций Министерства земли, инфраструктуры, транспорта и туризма Японии и связанных законов. Внутренний тест из 981 вопроса с выбором ответа дал 56,07% против 43,32% у Qwen3.5-9B. Точность ссылок и применимость ответа следует проверять по редакции документов, действующей для конкретного проекта. Модель распространяется по лицензии CC BY 4.0.

Японская модель первого этапа для экспериментов с SPLADE v2, разработанная hotchpotch. Это дообученная модель семейства BERT с архитектурой BertForMaskedLM, содержащая 138,4 млн параметров и рассчитанная на контекст до 512 токенов. В метаданных для неё указан тип задачи fill-mask. Модель предназначена для заполнения маскированных токенов и служит промежуточной моделью перед созданием японской SPLADE v2. Опубликованные сведения не описывают её качество в поиске или другие сценарии применения. Модель распространяется в формате safetensors по лицензии MIT.