I.3Извлечение и структурирование данных

MM Grounding DINO Base — модель обнаружения объектов на изображениях, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов по текстовым описаниям без предварительной настройки под фиксированный набор классов. По сравнению с Grounding DINO в ней улучшена контрастивная голова классов и устранено совместное использование параметров декодером; в README сообщается о результатах на COCO и LVIS. Модель обучалась на наборах Objects365, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO. Репозиторий использует архитектуру MM Grounding DINO и формат safetensors; библиотека запуска — Transformers. Модель принимает изображение и текстовый запрос с названиями или описаниями объектов, а выдаёт найденные объекты с рамками и оценками. Она подходит для поиска объектов по произвольным текстовым категориям и для прототипирования систем визуального поиска. Данные карточки не уточняют размер чекпойнта и поддерживаемые языки запросов. Лицензия Apache-2.0.

Mooshie публикует многометочную модель классификации изображений на базе MobileNetV4 Conv AA Large, дообученную на датасете Danbooru WD Tagger V4. Она присваивает изображению теги из 12 476 категорий, включая общие описательные теги, персонажей и рейтинговые метки. Модель рассчитана на изображения размером 448 × 448 пикселей; число параметров — 47,3 млн. Доступны веса Safetensors и формат ONNX для инференса. Модель предназначена для автоматической разметки аниме-иллюстраций и поиска изображений по тегам. В README приведены метрики на тестовой выборке: micro F1 0,641 при пороге 0,40 и macro F1 0,511 при индивидуальных порогах для тегов. Для разных категорий тегов указаны отдельные рекомендуемые пороги, а пороги отдельных тегов доступны в selected_tags.csv. Лицензия — GPL-3.0.

Molmo2-O-7B — открытая мультимодальная модель понимания изображений и видео, разработанная Allen Institute for AI (Ai2). Она предназначена для диалога с визуальными данными: отвечает на вопросы по изображениям, отдельным кадрам и видео, создаёт описания и поддерживает задачи визуального указания и отслеживания объектов. Модель построена на архитектуре Molmo2 с 7 млрд параметров: в основе лежит Olmo-3-7B-Instruct, а для обработки изображений используется визуальный энкодер SigLIP 2. По данным разработчика, модель сильна в понимании коротких видео, подсчёте объектов и создании подписей, а на длинных видео показывает конкурентные результаты. Основной язык карточки — английский. Модель распространяется в формате safetensors и использует лицензию Apache-2.0.

Jeevesh8/multiberts_seed_0_ft_2 — дообученная модель семейства MultiBERTs на базе BERT, опубликованная пользователем Jeevesh8 и основанная на чекпойнте MultiBERTs от Google Research. Модель предназначена для классификации текста и загружается через Transformers как text-classification; конкретный набор меток и обучающий датасет этого чекпойнта в доступных источниках не определены. Модель имеет около 136,7 млн параметров и поддерживает контекст до 512 токенов. Архитектура BERT использует двунаправленное представление текста; базовое семейство MultiBERTs обучалось преимущественно на английских данных. Модель подходит для прикладной классификации предложений или документов с фиксированными классами, но не предназначена для генерации текста. Лицензия конкретного чекпойнта в доступных данных не установлена.

my_awesome_asr_mind_model — русскоязычная модель распознавания речи, разработанная как дообучение jonatasgrosman/wav2vec2-large-xlsr-53-russian. Она построена на архитектуре Wav2Vec2 с выходной головой CTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает русский язык и библиотеку Transformers. В README приведены результаты оценки: loss 8,6914 и WER 0,9317. Высокий WER указывает на слабое качество распознавания в этой оценке, поэтому перед применением модель следует проверить на целевых аудиоданных. Датасет обучения не раскрыт. Лицензия — Apache-2.0.

EMBO разработала SODA-VEC negative_sampling_pmb — модель для получения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base с использованием контрастивного обучения и отрицательных примеров; архитектура — BERT, 136,7 млн параметров, с mean pooling и выходными эмбеддингами размерности 768. Модель рассчитана на поиск семантически близких текстов и сравнение сходства биомедицинских публикаций, особенно заголовков и аннотаций. Для обучения использованы 26,5 млн пар «заголовок—аннотация» из PubMed Central. Модель принимает английский текст и выдаёт эмбеддинги, подходящие для семантического поиска, ранжирования по сходству и анализа тематической близости. Лицензия — Apache-2.0. Модель специализирована на биомедицине и науках о жизни и может хуже работать с текстами других областей. Для длинных документов рекомендуется разбивать текст на фрагменты; модель также наследует смещения корпуса PubMed Central.

NMIXX-BGE-M3 — модель SentenceTransformer на базе BAAI/bge-m3, дообученная командой NMIXX-Fin для семантического сопоставления корейских финансовых текстов. Она формирует векторные представления предложений и рассчитана прежде всего на оценку семантической близости в финансовом домене; поддерживает корейский и английский языки. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт эмбеддинги размерностью 1024. Максимальная длина последовательности — 8194 токена по метаданным; README указывает предел 8192 и отмечает, что стабильное качество гарантируется только до 2048 токенов. Модель обучена с triplet loss и подбором сложных негативных примеров на датасете NMIXX_train. Лицензия — Apache-2.0.

Ouroboros-1MContext-Gemma-270m — экспериментальная текстовая модель, созданная инженером Loay Abd Alsalam на основе Google Gemma 3 270M IT. Автор описывает её как proof of concept: контекстное окно расширено до 1 048 576 токенов масштабированием RoPE с коэффициентом 128, а модель дополнительно обучена на синтетических цепочках логических рассуждений методом self-instruction. Это плотная причинная языковая модель семейства Gemma 3 с 257 млн параметров, предназначенная для генерации текста и диалогов с длинным контекстом. Модель рассчитана на обработку объёмных документов и длинных последовательностей, включая сценарии на ограниченных вычислительных ресурсах. Карточка заявляет поддержку арабского и английского языков и лицензию Gemma. Расширение контекста представлено как инженерный эксперимент; в README упомянуты результаты бенчмарков, но их содержание здесь не приведено, поэтому качество на длинном контексте нельзя оценить по имеющимся сведениям.

silencesys/paraphrase-xlm-r-multilingual-v1-fine-tuned-for-latin — модель Sentence-Transformers на архитектуре XLM-RoBERTa, содержащая 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для оценки смысловой близости, семантического поиска и кластеризации текстов. Модель работает с текстом и имеет контекстное окно 514 токенов. В README указано, что она обучалась с использованием DenoisingAutoEncoderLoss. Название репозитория указывает на настройку для латинского языка, однако README и метаданные не уточняют языковой состав обучающих данных и результаты оценки именно для него. Для применения нужны Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch; отдельная лицензия в предоставленных данных не указана.

PtVId — модель классификации текста, разработанная авторами репозитория liaad/PtVId путём дообучения BERT-Large на наборе данных PtBrVId. Она предназначена для отнесения текстов на бразильском португальском к классам, предусмотренным этим набором данных; README не уточняет сами метки и прикладной сценарий классификации. Модель использует архитектуру BERT для классификации последовательностей, содержит 433,2 млн параметров и принимает текстовый контекст длиной до 512 токенов. Репозиторий распространяет веса в формате safetensors; модель можно загрузить через transformers.pipeline. Лицензия — MIT. Карточка не сообщает метрики качества и подробности об ограничениях классификации, поэтому перед применением в конкретном сценарии следует проверить ожидаемые метки и качество на собственных данных.

Qwen2.5-VL-7B-Abliterated-Caption-it — дообученная PrithivMLmods мультимодальная модель для создания подробных описаний изображений. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и предназначена для генерации развернутых подписей к обычным, художественным, техническим, абстрактным и стилизованным изображениям, включая контент, который другие модели могут фильтровать. Модель принимает изображение и текстовую инструкцию, отвечает текстом и поддерживает разные соотношения сторон и разрешения; основной язык вывода — английский, также заявлена генерация на других языках. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров и распространяется в формате safetensors для Transformers. Её можно применять для подготовки описаний визуальных наборов данных, творческих сценариев и исследований модерации и безопасности. Обозначение abliterated указывает на ослабление обычных фильтров; это повышает риск нежелательных описаний. Лицензия — Apache-2.0.

AIconjured подготовил квантованный вариант дообученной Qwen3.5-9B-Uncensored-HauhauCS-Aggressive с форматом GGUF для запуска через совместимые движки. Модель содержит 9,2 млрд параметров, гибридную архитектуру DeltaNet SSM и полного внимания, заявленный контекст 262 тысячи токенов и головку Multi-Token Prediction, перенесённую из базовой Qwen3.5-9B. Для обработки изображений требуется отдельный файл vision-проектора mmproj. Модель предназначена для диалоговой генерации текста и ответов на вопросы, в том числе с учётом изображений. Смешанная квантизация NVFP4, Q8_0 и F32 уменьшает размер весов; NVFP4 рассчитан на ускорение на видеокартах Blackwell, а на другом оборудовании может выполняться с меньшим выигрышем в скорости. Практическая длина контекста зависит от доступной видеопамяти. MTP-головка может ускорить генерацию только в движках с поддержкой MTP speculative decoding; Ollama её загружает, но не использует для ускорения. Авторская карточка называет исходную настройку uncensored, однако это не гарантирует отсутствие отказов или определённое поведение на любых запросах. Лицензия указана как other; конкретные условия использования следует сверить с файлами репозитория и лицензиями базовой модели.

Мультимодальная модель HauhauCS на архитектуре Qwen3.6-35B-A3B с MoE: 35 млрд параметров всего и около 3 млрд активных. Репозиторий содержит конверсию исходной модели в формат Hugging Face safetensors с точностью bf16. В текстовой части 40 слоёв, 256 маршрутизируемых экспертов и один общий эксперт на слой; активируются 8 маршрутизируемых экспертов. Визуальный энкодер включает 27 слоёв. Модель предназначена для диалогов с текстом и изображениями и может служить целевой моделью для ускоренного декодирования DFlash или EAGLE-3 в vLLM. Поддерживает контекст до 262 144 токенов и английский язык. Карточка называет вариант uncensored и aggressive, однако не уточняет границы или гарантии такого поведения. Распространяется по лицензии Apache-2.0.

Модель victorbarra/rf_detr_finetuned_mobile_ui — дообученная версия Roboflow/rf-detr-medium для обнаружения объектов на изображениях. По названию и метрикам оценки она предназначена для мобильных пользовательских интерфейсов; среди категорий оценки упомянуты группы элементов, изображения, прямоугольники и текст. Архитектура RF-DETR Medium использует трансформер для локализации объектов и предсказания их категорий. В README приведены метрики на оценочном наборе: mAP 0,2168 и mAP@50 0,3333. Набор данных обозначен как неизвестный, поэтому эти результаты не позволяют судить о качестве на конкретных приложениях или типах экранов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

shahrukhx01/roberta-base-boolq — англоязычная модель классификации текста на базе архитектуры RoBERTa. В репозитории указаны 151,8 млн параметров и класс RobertaForSequenceClassification; модель выдаёт метку «YES» или «NO». Она предназначена для бинарной классификации ответов на вопросы формата BoolQ: по входному тексту определить, соответствует ли ответ «да» или «нет». Контекст модели составляет 514 токенов. Модель подходит для автоматической проверки бинарных ответов на английском языке и классификации текста по меткам «YES»/«NO». Доступны веса PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя.

SciFive-large-Pubmed — англоязычная модель семейства T5, представленная авторами работы SciFive: Long N. Phan, James T. Anibal, Hieu Tran, Shaurya Chanana, Erol Bahadroglu, Alec Peltekian и Grégoire Altan-Bonnet. Она предназначена для задач обработки биомедицинской литературы и обучена с использованием корпуса PubMed. Модель содержит около 385,2 млн параметров, принимает текст и генерирует текст; максимальная длина контекста — 1024 токена. Карточка указывает задачу text-classification, а архитектура T5 поддерживает генерацию текста в формате text-to-text. Модель подходит для классификации биомедицинских текстов и может применяться в сценариях анализа научных публикаций. В метаданных указаны форматы PyTorch, TensorFlow и Flax, а также веса Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

AathifMohammed/t5baseflan — дообученная модель на архитектуре T5-Base, разработанная на основе google-t5/t5-base. Она содержит 123,8 млн параметров и предназначена для генерации текста по текстовому запросу в формате text-to-text. В карточке приведены метрики оценки: Loss 1,9099, ROUGE-1 43,4605, ROUGE-2 21,3934, ROUGE-L 28,2593 и ROUGE-Lsum 39,3421. Набор данных для дообучения, конкретные сценарии применения и языковое покрытие не описаны, поэтому область применения нельзя уточнить. Модель принимает текст и выдаёт текст; длина контекста составляет 512 токенов. Распространяется под лицензией Apache-2.0.

TEMA Qwen2.5-Omni-7B SFT — дообученная модель на базе Qwen2.5-Omni-7B от команды bluesky7 для диалоговых вопросов по нескольким аудиозаписям. Она анализирует аудио в контексте нескольких ходов диалога и формирует ответы по схеме Route, Span, Reason и Answer: определяет подходящий фрагмент, указывает временной интервал, обосновывает вывод и отвечает. Дообучение выполнено на 40 704 диалогах, охватывающих 198 195 ходов; в карточке приведены результаты оценки на TEMA-Bench. Модель использует плотную архитектуру Qwen2.5-Omni с 7 млрд параметров и представлена в формате safetensors. Репозиторий содержит объединённые веса и адаптер; для текстовых ответов README рекомендует отключить возврат аудио. Базовая модель поддерживает текст, изображения, аудио и видео, однако заявленная задача этой производной модели — text-to-audio, а возможности анализа нескольких аудиозаписей описаны в README. Лицензия — Apache-2.0. Результаты приведены на ограниченном наборе из 253 диалогов и 1 239 вопросов, поэтому они не гарантируют аналогичное качество в других сценариях.

cardiffnlp/twitter-roberta-base-emotion — модель Cardiff NLP для распознавания эмоций в сообщениях Twitter. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена на бенчмарке TweetEval для классификации эмоций. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель присваивает тексту оценки по эмоциональным категориям, например радости, оптимизму, гневу и грусти. Её можно использовать для анализа тональности и эмоций в публикациях и коротких сообщениях на английском языке. Доступны варианты весов для PyTorch, TensorFlow и Flax. В README указана более новая модель семейства с расширенным набором эмоций; применимость текущей модели ограничена короткими сообщениями в стиле Twitter и метками её обучающего бенчмарка. Лицензия в предоставленных данных не указана.

Модель f77777/wav2vec2-large-xls-r-300m-firdous-malay-colab — дообученная на наборе Common Voice 13.0 модель распознавания речи на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. Название указывает на настройку для малайского языка, однако README и метаданные не подтверждают язык обучения или область применения, поэтому эту специализацию нельзя считать установленной. Модель содержит около 402,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Она предназначена для преобразования речи в текст; сведения о качестве, ограничениях и оценке модели в карточке отсутствуют.

asini/wav2vec2-timit-demo — дообученная модель распознавания речи на базе facebook/wav2vec2-base, созданная сообществом Hugging Face. Это модель архитектуры Wav2Vec2ForCTC с 113,3 млн параметров, принимающая аудио и выдающая распознанный текст. В карточке приведены результаты оценки: loss 0,4847 и WER 0,3462; подробности о наборе данных и сценариях обучения не описаны. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

hyyoka/wav2vec2-xlsr-korean-senior — модель автоматического распознавания речи на базе wav2vec2, созданная дополнительным дообучением fleek/wav2vec-large-xlsr-korean. Она предназначена для транскрибации корейской речи, в частности речи пожилых мужчин и женщин; при обучении использовались записи свободной беседы из набора AIhub. Размер модели составляет 402,7 млн параметров, архитектура — Wav2Vec2ForCTC. Для работы модели требуется аудио с частотой дискретизации 16 кГц. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает оценок качества или известных проблем распознавания, поэтому результаты на других типах речи и аудио отдельно не подтверждены.

Whisper для распознавания речи, дообученная Mohammed Nasri на алжирском диалекте арабского языка с переключением на французский. Модель основана на openai/whisper-tiny, содержит 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Для обучения использовалась алжирская часть набора UBC-NLP/Casablanca; в карточке указана частота ошибок слов около 23% на валидационной выборке. Модель предназначена для транскрибирования речи на алжирском диалекте, в том числе в записях с арабско-французским переключением. Автор описывает обучение как демонстрационное и отмечает, что для производственного применения рекомендуется более длительное дообучение. Лицензия — Apache-2.0.

biu-nlp/abstract-sim-sentence-pubmed — модель семейства BERT, обученная на предложениях из PubMed для сопоставления текстового описания с подходящими предложениями. Она кодирует запросы и предложения в признаки, пригодные для поиска и оценки смыслового сходства в научных медицинских текстах. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch. Модель подходит для семантического поиска предложений по описаниям и подбора релевантных фрагментов аннотаций PubMed. Карточка не сообщает лицензию и подробности оценки качества.

AIMv2-3B-patch14-224 — модель компьютерного зрения семейства AIMv2, разработанная Apple и представленная в исследовательской работе AIMv2. Это зрительный энкодер с 2,7 млрд параметров, предварительно обученный с мультимодальной авторегрессионной целью. Репозиторий содержит веса Flax и safetensors и предназначен для извлечения признаков из изображений через Transformers. Модель можно применять как визуальный энкодер для распознавания объектов и других задач понимания изображений. В карточке семейства сообщается о результатах выше CLIP и SigLIP на большинстве мультимодальных бенчмарков, превосходстве DINOv2 в детекции объектов с открытым словарём и понимании отсылочных выражений, а также о 89,5% на ImageNet для AIMv2-3B с замороженным энкодером. Эти показатели относятся к описанию семейства, а не обязательно к отдельной оценке данного чекпойнта. Лицензия — apple-amlr; ограничения лицензии следует учитывать при использовании.

yahyaabd/allstats-semantic-search-model-v1-3 — модель Sentence Transformers, дообученная автором yahyaabd на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для семантического поиска по статистическим материалам. Она преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов оценивается косинусным сходством. Архитектура использует XLM-RoBERTa с усреднением токенных представлений. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов, а карточка модели описывает максимальную длину последовательности 128 токенов. Модель предназначена для сопоставления запросов с документами, поиска похожих формулировок и семантической оценки релевантности. В карточке приведены высокие результаты на собственных наборах проверки allstats-semantic-search-v1-3, однако они не гарантируют аналогичного качества на других данных. Обучение проводилось на синтетическом наборе запросов и документов о статистике, преимущественно связанных с Индонезией; качество для иных тематик и языков отдельно не подтверждено. Модель принимает текст и выдаёт векторы. Лицензия в предоставленных данных не указана.

AX-3.1-Light-sftv30 — корейскоязычная модель для диалогов и генерации текста, созданная автором репозитория на основе skt/A.X-3.1-Light. Это плотная архитектура LlamaForCausalLM примерно на 6,8 млрд параметров с контекстом до 32 768 токенов. Модель дообучена методом SFT на 36 000 обучающих и 3 000 проверочных примерах из AI Hub: данные охватывают право, бухгалтерский учёт, медицину, чтение новостей и оценку технологий. LoRA-адаптер слит с базовой моделью; веса доступны в BF16 safetensors, модель загружается через Transformers или стандартный vLLM без пользовательского кода. Модель предназначена для корейскоязычных исследований, контролируемой оценки и экспериментов с выполнением инструкций и предметно-ориентированным дообучением. Разработчик не приводит официальных результатов K-AI leaderboard. Ответы могут содержать фактические ошибки, неподтверждённые рассуждения или отклонения от требуемого формата; модель не заменяет профессиональную юридическую, бухгалтерскую или медицинскую консультацию. Лицензия репозитория — Apache-2.0; исходные датасеты AI Hub сохраняют собственные условия доступа и лицензии.

Модель prithivida/bert-for-patents-64d — версия BERT для патентных текстов, основанная на anferico/bert-for-patents. Разработчик сократил размер эмбеддингов с помощью PCA с 1024 до 64 измерений, чтобы уменьшить объём их хранения при работе с миллионами векторов. Модель предназначена для извлечения признаков из текста и сценариев семантического поиска по патентам, в том числе с использованием векторных баз данных. Исходная модель обучена Google на более чем 100 млн патентов, включая патенты разных стран, а не только США. У модели архитектура BERT Large, около 443,5 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0. Сжатие эмбеддингов снижает требования к месту для их хранения, но, согласно карточке, не ускоряет работу модели и не уменьшает память, необходимую при её запуске. README сообщает о сопоставимом качестве после сокращения размерности, но не приводит подробностей оценки.

rongzhen/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на финансовых вопросах и ответах на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текстов. Модель построена на BERT с пуллингом CLS-токена и нормализацией векторов. Она содержит 136,7 млн параметров, принимает до 512 токенов и выдаёт эмбеддинги размерности 768. Matryoshka-обучение позволяет сокращать размерность вектора до 512, 256, 128 или 64 для более компактного поиска; в карточке приведены результаты оценки поиска для этих размерностей. Обучающий набор содержит 6300 пар «вопрос — релевантный ответ», включая примеры по финансовой отчётности и выручке. Модель распространяется по лицензии Apache-2.0. Её языковая специализация — английский; качество на других языках не подтверждено. Представленные результаты относятся к указанному набору оценки, поэтому они не гарантируют аналогичную точность на иных финансовых документах и задачах.

pan0sk/bge-m3-legal-v4 — дообученная pan0sk модель BAAI/bge-m3 для поиска релевантных фрагментов в греческих юридических, законодательных, административных и повседневных текстах. Это плотный энкодер на архитектуре XLM-RoBERTa с 658,7 млн параметров: он формирует векторы размерностью 1024 с mean pooling. Контекст составляет 8194 токена; доступны веса safetensors и GGUF F16, лицензия MIT. Модель предназначена для семантического поиска по греческим документам и сопоставления запросов с фрагментами текста. На отложенных выборках README сообщает recall@1 92,2% для юридических текстов, 77,8% для законодательных и административных и 85,6% для повседневных греческих текстов. Английский также присутствовал в обучающих данных, однако для поиска по греческому корпусу автор рекомендует переводить англоязычный запрос на греческий. Для полнотекстового поиска и ранжирования README рекомендует разбивать документы на фрагменты и индексировать каждый отдельно; эмбеддинги разных версий модели несовместимы и требуют повторного пересчёта при миграции.