I.3Извлечение и структурирование данных

LUKE-large — предварительно обученная модель понимания языка, разработанная исследователями, представившими LUKE (Language Understanding with Knowledge-based Embeddings). Она использует трансформер с механизмом entity-aware self-attention: слова и сущности в тексте рассматриваются как отдельные токены, а их типы учитываются при вычислении внимания. Модель содержит 454,1 млн параметров по метаданным; в README указано 483 млн. Архитектура включает 24 слоя со скрытым размером 1024, а базовое обучение проводилось на англоязычной Википедии за декабрь 2018 года. Основная задача в карточке Hugging Face — заполнение пропусков в тексте. Представления LUKE также применялись для извлечения ответов на вопросы, распознавания именованных сущностей, классификации отношений и определения типов сущностей; README приводит результаты на SQuAD, CoNLL-2003, ReCoRD, TACRED и Open Entity. Модель ориентирована на английский язык и имеет контекст до 514 токенов. Доступна в формате PyTorch по лицензии Apache-2.0.

MinerU2.5-2509-1.2B-GGUF — мультимодальная модель для анализа и разбора документов, разработанная OpenDataLab. Она предназначена для преобразования изображений документов и текстовых запросов в текстовые ответы, в частности для эффективного высокоразрешающего парсинга документов. Модель основана на архитектуре с разделёнными компонентами обработки зрения и языка (decoupled vision-language model), имеет размер 1,2 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В карточке указаны поддерживаемые языки китайский и английский, а тип конвейера — image-text-to-text. Длина контекста, точный набор поддерживаемых форматов документов и сведения о конкретном уровне квантования не указаны. К сильным сторонам относятся ориентация на обработку документов высокого разрешения, мультимодальный ввод и возможность использования компактной 1,2-миллиардной версии в экосистеме GGUF. Ограничениями являются неизвестные из карточки показатели качества, подробности архитектуры, контекстное окно и требования к ресурсам; качество также может зависеть от выбранной квантованной версии. Модель распространяется по лицензии AGPL-3.0, поэтому условия её использования и интеграции следует проверять с учётом требований этой лицензии.

synapti/nci-ner-v1 — модель RoBERTa, дообученная разработчиком synapti на базе FacebookAI/roberta-base для классификации токенов. Она предназначена для задач разметки последовательностей, включая распознавание именованных сущностей. Архитектура — RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на оценочной выборке: precision 0,8854, recall 0,9097 и F1 0,8974. Датасет и типы сущностей не описаны, поэтому область применения и языковую поддержку уточнить нельзя. Модель распространяется по лицензии MIT.

Raveenasen/ner_model — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Она предназначена для задач разметки последовательностей, например распознавания именованных сущностей, однако карточка не уточняет набор меток и целевую задачу. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат весов safetensors. Контекст составляет до 512 токенов; лицензия — Apache-2.0. В README приведены метрики на оценочной выборке: loss 0,1098, accuracy 0,9780, precision 0,8828, recall 0,9028 и F1 0,8927. Эти результаты относятся к указанной выборке; без сведений о данных и метках нельзя оценить качество на других текстах. Базовая модель англоязычная, поэтому модель рассчитана прежде всего на английский текст.

Модель r1char9/ner-rubert-tiny-news — русскоязычная модель для распознавания именованных сущностей в новостных текстах. Она помечает в тексте имена людей, организации и географические названия; карточка также упоминает ещё два типа сущностей, но их названия в доступном фрагменте таблицы отсутствуют. Модель основана на BERT и дообучена на cointegrated/rubert-tiny2. Она содержит 29 млн параметров, принимает текст с контекстом до 2048 токенов и опубликована в формате PyTorch. Лицензия — MIT.

Это модель извлечения именованных сущностей (NER) для индонезийского языка, разработанная Asep Muhamad и предназначенная для использования в spaCy версии 3.8.x. Она классифицирует сущности в индонезийских текстах по 19 типам, включая людей, организации, геополитические объекты, даты, время, денежные значения, количества, продукты, события и произведения искусства. Модель подходит для анализа новостей, финансовых, образовательных и других формальных текстов, а также для пакетной обработки документов. Модель построена на архитектуре spaCy TransitionBasedParser с HashEmbedCNN для преобразования токенов в векторы; используются 96-мерные эмбеддинги, глубина 4 слоя и скрытая размерность 64. Обучение проводилось на данных Universal Dependencies v2.8. По заявленным результатам, token-level F1 составляет 95,52%, precision — 95,31%, recall — 95,72%, а скорость обработки достигает 66 612 токенов в секунду. Sentence-level F1 составляет 85,83%, что указывает на менее стабильное распознавание полного набора сущностей в предложении. Модель лучше всего подходит для формального индонезийского текста; на разговорной речи и в узкоспециализированных доменах качество может снижаться. Возможны ошибки в определении границ сложных составных сущностей. Модель распространяется по лицензии CC BY-SA 3.0 и требует spaCy версии не ниже 3.8.0 и ниже 3.9.0.

NuNER-v0.1 — англоязычная модель распознавания именованных сущностей от NuMind. Она основана на RoBERTa-base, дообученной на данных NuNER; в репозитории указано около 151,8 млн параметров и доступен формат PyTorch. Модель предназначена для извлечения эмбеддингов токенов для распознавания сущностей: их можно использовать напрямую или дообучить на конкретном наборе данных. Контекст модели составляет 514 токенов. В карточке приведены результаты оценки NuNER-v0.1, превосходящие указанные там базовые варианты RoBERTa-base при k=1, 4, 16 и 64. Автор рекомендует более новую версию NuNER v2.0, поэтому для нового проекта стоит рассмотреть её. Модель лицензирована по MIT.

Ovis2-16B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она объединяет визуальный энкодер и языковую модель для диалога по изображениям и видео. Архитектура плотная, класс Ovis; репозиторий содержит веса Safetensors. Вариант 16B показан в тестах изображений и видео, а README рекомендует более новую версию Ovis2.5. Модель предназначена для ответов на вопросы по визуальным материалам, рассуждений по нескольким изображениям и кадрам, многоязычного OCR, а также извлечения структурированных данных из таблиц и диаграмм. В обучении использовались instruction tuning и preference learning для усиления рассуждений; заявлена поддержка английского и китайского, а OCR улучшен для языков помимо них. Для запуска README приводит зависимости PyTorch, Transformers и Flash Attention. Модель распространяется по лицензии Apache-2.0. В README отмечены ограничения: разработчики не гарантируют полного отсутствия проблем с авторскими правами или некорректного содержимого; для новых возможностей рекомендуется Ovis2.5.

google/paligemma-3b-ft-docvqa-896 — модель Google для ответов на вопросы по изображениям документов. Она относится к семейству PaliGemma: визуальная часть основана на SigLIP, языковая — на Gemma; модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Суффикс названия указывает на настройку для DocVQA с разрешением изображений 896 пикселей; карточка описывает PaliGemma как модель для одношаговой обработки, а не для многоходового диалога. Модель предназначена для извлечения сведений из документов по вопросам на естественном языке — например, поиска значений и ответов, опирающихся на содержимое страницы. PaliGemma поддерживает несколько языков и может быть адаптирована под специализированные задачи визуального языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Gemma. Ответы могут быть неточными, а модель может неверно прочитать текст или интерпретировать документ. Она лучше работает с чётко сформулированными запросами; сложные или открытые задачи могут даваться хуже. Это не универсальная чат-модель: ввод изображения и текста рассчитан на один ход.

phibert-finetuned-ner — модель Girinlp для распознавания именованных сущностей и другой разметки токенов. Это дообученная версия dmis-lab/biobert-v1.1 на наборе данных, название которого в карточке не приведено. Модель построена на архитектуре BERT и содержит 135,5 млн параметров; она принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Формат весов — PyTorch. Модель предназначена для задач разметки последовательностей, в частности NER. На указанном в карточке наборе оценки она получила F1 0,9226, precision 0,9238, recall 0,9213 и accuracy 0,9950. Карточка не уточняет языки, набор меток и область применения, поэтому результаты нельзя уверенно переносить на другие данные. Лицензия в предоставленных сведениях не указана.

AI-Enthusiast11/pii-entity-extractor — модель Maskify на базе DeBERTa, дообученная для распознавания именованных сущностей, содержащих персональные данные. Она принимает текст и выполняет токенную классификацию, выделяя имена, номера социального страхования, телефоны, номера кредитных карт и банковских счетов, банковские routing-номера и адреса. Модель содержит 306 млн параметров, использует архитектуру DeBERTa v2 и поддерживает контекст до 512 токенов. В карточке описана работа с английским языком; модель подходит для поиска персональных данных в текстовых документах и подготовки данных к обезличиванию. На отложенной части того же размеченного набора данных автор сообщает средние precision, recall и F1 около 0,95. Эти результаты не гарантируют такое же качество на других данных: для применения в чувствительных сценариях рекомендуется ручная проверка и оценка на данных целевого домена. Лицензия в предоставленных сведениях не указана.

pii-layout-synth-v14 — модель jefftherover, дообученная на базе answerdotai/ModernBERT-base для классификации токенов. Карточка сообщает о результатах оценки: F1 0,9925, точность 0,9910 и полнота 0,9941; обучающий набор данных не раскрыт. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Модель ab-ai/pii_model — дообученная версия BERT-base-cased для токенной классификации и обнаружения персональных данных в тексте. Её разработал Abhijeet Santosh Lokhande; модель обучена на датасете generator и распространяется под лицензией Apache-2.0. Модель размечает токены, относящиеся к именам, адресам, датам рождения, телефонам, электронной почте, номерам банковских карт и счетов, SSN, паролям и другим указанным в карточке категориям PII. Она подходит для выявления чувствительных фрагментов перед редактированием или маскированием документов и пользовательских данных. В карточке приведены результаты оценки: precision 95,53%, recall 96,60%, F1 96% и accuracy 99,11%. Это текстовая модель на архитектуре BERT; карточка заявляет поддержку английского языка. Показатели получены на указанной в карточке оценке и не гарантируют аналогичного качества на других данных или для всех типов сущностей. Для критичных сценариев защиты данных необходима проверка результатов.

google/pix2struct-docvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов по документам. Она использует архитектуру «кодировщик изображений — декодер текста» и дообучена для задачи DocVQA: отвечает на вопросы, опираясь на содержимое изображения документа. Модель принимает изображение документа и текстовый вопрос, а выдаёт ответ текстом. Pix2Struct предварительно обучалась разбирать скриншоты веб-страниц в упрощённую HTML-структуру; для работы с визуально расположенным текстом модель использует представление изображений с переменным разрешением. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Модель подходит для извлечения сведений из документов по запросу, например для поиска значений в формах или ответов по содержимому страниц. Её возможности за пределами визуальных вопросов и ответов по документам не подтверждены карточкой. Модель распространяется по лицензии Apache-2.0.

Pix2Struct Large — предварительно обученная модель Google для визуального понимания языка. Это архитектура «визуальный энкодер — текстовый декодер», обученная преобразовывать изображения в текст. Для обучения модель разбирала замаскированные снимки веб-страниц в упрощённый HTML; такой подход объединяет сигналы распознавания текста, языкового моделирования и описания изображений. Модель предназначена для дообучения под задачи, где текст связан с визуальным содержимым: например, для создания подписей к изображениям и ответов на вопросы по изображению. В статье описаны сценарии работы с документами, иллюстрациями, пользовательскими интерфейсами и обычными фотографиями; вход может иметь переменное разрешение, а текстовый запрос можно наложить на изображение. В метаданных указана поддержка английского, французского, румынского и немецкого языков. Модель опубликована в форматах PyTorch и Safetensors. Это базовый предобученный чекпойнт, который README рекомендует использовать для дообучения, поэтому готовое качество на конкретной прикладной задаче зависит от дополнительной настройки. Лицензия — Apache-2.0.

om-ashish-soni/pos-ner-tagging-v2 — модель разметки токенов на базе BERT, дообученная на датасете CoNLL-2003. Она предназначена для присвоения меток словам и токенам в тексте; результаты на оценочной выборке CoNLL-2003: F1 0,9401, точность 0,9270, precision 0,9394 и recall 0,9408. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для извлечения именованных сущностей и разметки последовательностей в сценариях, соответствующих данным CoNLL-2003. Карточка не уточняет схему меток и отдельные сценарии использования, поэтому качество за пределами оценочной выборки не установлено. Лицензия — Apache-2.0.

PP-DocBlockLayout_onnx — модель PaddlePaddle/PaddleOCR для обнаружения и локализации блоков компоновки в изображениях документов. Она предназначена для предварительного анализа китайских и англоязычных научных статей, презентаций, журналов, контрактов, книг, экзаменационных материалов, древних книг и исследовательских отчётов, а также других документов со сложной структурой. Модель принимает изображения и выявляет области типа Region, что может использоваться в OCR-конвейерах и системах структурированного разбора документов. В основе модели лежит архитектура RT-DETR-L; доступен вариант для выполнения через ONNX Runtime. В README заявлена одна категория обнаружения — Region, а показатель mAP@0.5 составляет 95,9% на собственной тестовой выборке, включающей около 1000 изображений различных типов документов. Данные о точном размере модели, максимальном контексте, поддерживаемых языках сверх китайского и английского, вычислительных требованиях и ограничениях на конкретные форматы изображений не приведены. Модель распространяется по лицензии Apache 2.0.

PP-OCRv5_server_det — модель обнаружения текстовых областей из серии PP-OCRv5, разработанная командой PaddleOCR. Она предназначена для высокопроизводительных сценариев OCR и находит текст в изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, а также текст на сложном фоне и в макетах с разным размером надписей. Модель используется как модуль обнаружения текста в конвейерах PP-OCRv5 и PP-StructureV3, в том числе для анализа документов, распознавания номерных знаков и поиска текста в сценах. В README приведены метрики для китайского и английского текста, японского, древних текстов, пиньиня, повёрнутого и искажённого текста и других сценариев; среднее значение в указанной таблице составляет 0,827. Это модель обнаружения текстовых областей, а не полный OCR-конвейер: для получения текста нужны также распознавание символов и, при необходимости, другие модули предобработки и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2.5-VL-3B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Она предназначена для обработки изображений, видео и текстовых запросов, визуального анализа документов и сцен, распознавания текста, таблиц, графиков, форм и других структурированных данных, а также для сценариев визуального агента, включая управление компьютером и телефоном. Модель содержит 3 млрд параметров и использует AWQ-квантизацию. В её архитектуре применяются динамическое разрешение изображений, динамическая частота выборки кадров видео, временное позиционное кодирование mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Модель может анализировать видео длительностью более часа, находить релевантные моменты, локализовать объекты с помощью bounding boxes или точек и формировать структурированные JSON-ответы. В README явно указан английский язык; поддержка других языков не заявлена. Сильные стороны модели — сочетание компактного размера с широкими возможностями визуального анализа, работой с длинными видео, локализацией объектов и извлечением структурированных данных из документов. Ограничения включают отсутствие опубликованных в README результатов оценки, неуказанный размер контекстного окна и потенциальную зависимость производительности от аппаратного обеспечения и настроек обработки визуальных токенов. Модель распространяется по лицензии qwen-research; перед использованием следует ознакомиться с условиями лицензии.

unsloth/Qwen2.5-VL-3B-Instruct-unsloth-bnb-4bit — инструкция-дообученная мультимодальная модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в 4-битном формате квантования unsloth-bnb. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и предназначена для обработки изображений, видео и текста с использованием библиотеки Transformers. Модель поддерживает анализ объектов, текста, таблиц, графиков, документов и компоновки изображений, визуальную локализацию объектов с помощью координатных рамок или точек, структурированный вывод данных, а также понимание длительных видеоматериалов и выделение релевантных моментов. Она также ориентирована на агентские сценарии, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель на 3 миллиарда параметров и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm; для видео используются динамическое разрешение и динамическая частота выборки кадров. В метаданных указан английский язык, однако полный набор поддерживаемых языков в README не раскрыт, как и размер контекстного окна. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению, работа с визуальными документами, видео и структурированными ответами, а также поддержка агентских задач. Ограничения включают меньшую ёмкость по сравнению с версиями на 7 и 72 миллиарда параметров и неравномерные результаты на разных бенчмарках; производительность зависит от типа визуального и агентского сценария. Лицензия указана как qwen-research; подробные условия приведены по ссылке на лицензию базовой модели.

rakedoc-nano — модель CloudRaker на архитектуре Qwen2-VL с 1,2 млрд параметров, дообученная для разбора структуры таблиц в документах. Это LoRA-дообучение florin-inc/florin-parser-nano; веса адаптера объединены с базовой моделью, поэтому отдельная загрузка адаптера не требуется. Модель используется в конвейере разбора документов CloudRaker Paperwork API и может служить заменой базовой модели в KDL pipeline. Модель принимает изображение документа и текстовый запрос, а для распознанной таблицы выдаёт структурированное представление OTSL. Дообучение проводилось на 3 000 синтетических фрагментов таблиц, включая многоуровневые заголовки, объединённые ячейки и многострочный текст. В заявленном тесте ParseBench модель набрала 86,44 балла за таблицы; показатели диаграмм и поведения вне табличного этапа близки к базовой модели. Проверка охватывала преимущественно англоязычные финансовые и страховые документы; качество на других тематиках не оценивалось. Конвейер не выводит разметку подчёркивания, выделения и блоков кода. Лицензия — AGPL-3.0.

Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.

pdelobelle/robbert-v2-dutch-ner — нидерландоязычная модель для разметки токенов на основе RobBERT, разработанная на базе архитектуры RoBERTa. Она предназначена для дообучения на задаче распознавания именованных сущностей и других задачах классификации токенов. Модель содержит 144 млн параметров, принимает текст и поддерживает контекст до 514 токенов. RobBERT — предварительно обученная языковая модель для нидерландского языка, применявшаяся для задач обработки нидерландского текста; эта версия классификации токенов распространяется в форматах PyTorch и Flax. Карточка указывает на поддержку нидерландского и фламандского вариантов. Лицензия — MIT. Конкретные типы сущностей и показатели качества для этой версии в предоставленных данных не описаны.

Модель распознавания сущностей в текстах о вакансиях и профессиях, разработанная группой NLP Международного эллинского университета. Это дообученная FacebookAI/roberta-base модель RoBERTa с архитектурой RobertaForTokenClassification и примерно 151,8 млн параметров. Она размечает текст на уровне токенов и выделяет профессии, навыки, квалификации, опыт и предметные области. Модель рассчитана на английский язык и контекст до 514 токенов. Модель подходит для извлечения структурированных требований из описаний вакансий и резюме, например для поиска профессий и навыков. В README приведены строгие span-F1 оценки на тестовой части обучающего датасета: 0,83 для профессий, 0,56 для опыта и 0,30 для предметных областей; это указывает на неодинаковое качество распознавания разных категорий. Обучение проводилось на открытом датасете Green et al.; лицензия модели — MIT.

51la5/roberta-large-NER — модель классификации токенов на базе XLM-RoBERTa-large, дообученная на наборе CoNLL-2003 для английского языка. XLM-RoBERTa разработана авторами соответствующей исследовательской работы и основана на RoBERTa; базовая модель обучалась на многоязычных данных CommonCrawl. Модель содержит 658,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Основное назначение — распознавание именованных сущностей в английском тексте: модель присваивает метки отдельным токенам. Архитектура XLM-RoBERTa многоязычная, но это дообучение проведено на английском CoNLL-2003; README также указывает классификацию токенов и разметку частей речи как возможные сценарии. Для прикладного использования следует учитывать возможные систематические ошибки и смещения в распознавании сущностей, в том числе для разных демографических групп. Лицензия в карточке не определена, поэтому условия распространения и использования следует уточнить у владельца репозитория.

badrm2611/scraper-agent-qwen3.5-4b — дообученная на Qwen3.5-4B модель, разработанная для управления автономным агентом веб-скрейпинга. На каждом шаге она принимает наблюдение о странице и выдаёт один JSON-объект с выбранным инструментом, целевым элементом, ожидаемым результатом и уверенностью. Модель ориентируется на смысл страницы, роли, подписи и окружающий текст, проверяет результат действий и учитывает ошибки как новые наблюдения. Модель предназначена для работы в составе системы badrmellal/scraper-agent: для запуска через MLX на Apple Silicon ей нужны системный промпт агента и формат наблюдений. По данным README, на простом тесте она показала тот же результат, что базовая модель, а на глубоком обходе обработала 144 из 152 записей; обучение под заданную JSON-схему позволяет чаще обходиться без медленного декодирования с ограничениями грамматикой. В README рекомендуется использовать BF16: 4-битная квантизация заметно ухудшила результат, а преобразованные в GGUF веса выдавали некорректный текст в llama.cpp и Ollama. Лицензия — Apache-2.0.

SLIM-TAGS — небольшая специализированная авторегрессионная модель серии SLIM от llmware, дообученная для генерации вызовов функций, которые автоматически подбирают релевантные теги и точки интереса по тексту. Модель выдаёт структурированный результат в виде словаря Python с полем tags; такой вывод можно использовать в программных и многошаговых LLM-сценариях автоматизации. Модель построена на архитектуре Llama и содержит 1 млрд параметров. Она принимает текст и генерирует текстовый структурированный результат; максимальный родной контекст составляет 2048 токенов. В README приведён пример классификации финансовой новости и интеграции через Transformers или LLMWare. Лицензия — Apache-2.0.

crabz/slovakbert-ner — словацкая модель распознавания именованных сущностей, разработанная дообучением gerulata/slovakbert на наборе WikiANN. Она использует архитектуру RoBERTa и содержит около 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель размечает в словацком тексте имена людей, названия организаций и географические объекты. Её можно применять для извлечения сущностей из новостей и других текстов на словацком языке; в README приведены примеры использования через Transformers pipeline. На оценочном наборе указаны F1 0,9398 и точность 0,9785. Модель принимает текст и выдаёт метки токенов. Она обучена на WikiANN, поэтому качество на других жанрах и текстах может отличаться от приведённых оценок. Лицензия — MIT.

Модель richielo/small-e-czech-finetuned-ner-wikiann — компактная модель распознавания именованных сущностей для чешского языка, разработанная путём дообучения Seznam/small-e-czech на датасете WikiANN. Она основана на архитектуре ELECTRA, содержит 20,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель присваивает метки отдельным токенам и подходит для извлечения сущностей из чешских текстов. На оценочной выборке указаны precision 0,8713, recall 0,8970, F1 0,8840 и accuracy 0,9557. Модель распространяется в формате PyTorch по лицензии CC BY 4.0. Оценки относятся к указанной выборке; подробности о составе классов и поведении на других текстах в карточке не приведены.

SocioCausaNet — модель извлечения причинно-следственных связей из текста, разработанная на основе google-bert/bert-base-uncased и предназначенная для использования с библиотекой Transformers. Она совместно определяет, содержит ли предложение причинное утверждение, выделяет фрагменты причины и следствия с помощью BIO-разметки и устанавливает связи между ними. Архитектура включает BERT-энкодер и три специализированные головы для классификации предложений, извлечения фрагментов и определения отношений. Модель принимает предложения на английском языке и возвращает структурированную информацию о причинах и следствиях. Для загрузки требуется разрешить пользовательский код через trust_remote_code=True; доступны режимы автоматического и нейросетевого определения связей, а также настройка порога уверенности и критерия причинной классификации. Модель дообучена на BERT, распространяется в формате safetensors по лицензии GPL-2.0. В карточке не приведены результаты оценки качества или сведения о контекстном окне; качество извлечения может зависеть от порога уверенности и сложности причинных связей.