I.3Извлечение и структурирование данных

NbAiLab/nb-bert-base-ner — модель BERT, дообученная командой NbAiLab для распознавания именованных сущностей на датасете NorNE. Она предназначена для разметки норвежского текста по токенам, например для извлечения имён людей, организаций и других сущностей из документов. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Доступна в форматах PyTorch и Safetensors; лицензия — CC BY 4.0.

guishe выпустил guishe/nuner-v1_orgs — модель распознавания именованных сущностей, дообученную на наборе NER-ORGS для выделения организаций в тексте. Она основана на NuNER-v1.0 с RoBERTa-base в качестве базового энкодера и использует архитектуру RoBERTa для классификации токенов. Модель содержит 151,8 млн параметров, работает с текстом и имеет контекстное окно 514 токенов. Модель предназначена для извлечения названий организаций из текста и может применяться при разборе документов или автоматической разметке упоминаний компаний. В карточке указан английский язык. Модель распространяется по лицензии CC BY-SA 4.0. Данных о качестве на иных типах сущностей или языках нет.

Ovis2-2B — компактная мультимодальная языковая модель семейства Ovis, предназначенная для работы с изображениями и текстом. Визуальный компонент построен на aimv2-large-patch14-448, языковая часть — на Qwen2.5-1.5B-Instruct. Модель использует архитектуру Ovis для структурного согласования визуальных и текстовых представлений; её разработчики улучшили обучение и подбор данных по сравнению с Ovis1.6. Модель отвечает на вопросы по изображениям, распознаёт текст на них, извлекает структурированные сведения из таблиц и графиков, а также обрабатывает несколько изображений и видео. Обучение включало данные на нескольких языках, в том числе для развития мультиязычного OCR, и было направлено на улучшение рассуждений. Карточка демонстрирует результаты на тестах понимания изображений и видео, но не приводит длину контекста. Для запуска в README приведён пример использования Transformers. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что не гарантируют полного отсутствия проблемного контента или нарушений авторских прав; также рекомендуется рассмотреть более новую версию Ovis2.5.

Phi-3-Vision-128K-Instruct — компактная мультимодальная модель Microsoft из семейства Phi-3 с плотной архитектурой Phi3VForCausalLM и 3,7 млрд параметров. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом, включая понимание изображений, OCR, а также разбор графиков и таблиц. Модель дообучена с помощью supervised fine-tuning и direct preference optimization; в карточке заявлен контекст до 128 тысяч токенов, хотя метаданные указывают native context в 4096 токенов. Модель рассчитана на применение в условиях ограниченных вычислительных ресурсов и низкой задержки, а также на создание генеративных функций с визуальным вводом. Основной язык — английский; карточка предупреждает о снижении качества для других языков. Возможны фактические ошибки, стереотипные или оскорбительные ответы, поэтому результаты следует проверять, особенно в чувствительных и высокорисковых сценариях. Лицензия — MIT.

quinex-quantity-v0-124M — англоязычная модель Jülich Systems Analysis для извлечения количественных упоминаний из текста. Это энкодерный трансформер на архитектуре RoBERTa, дообученный на базе nasa-impact/nasa-smd-ibm-v0.1 (INDUS), который был предварительно обучен на научной литературе и Википедии. В метаданных указаны 151,8 млн параметров и контекст длиной 514 токенов; в README размер округлён до 124 млн параметров. Модель размечает токены, находя числа и связанные с ними единицы измерения. Она предназначена для извлечения количественных данных из научных публикаций и других англоязычных текстов. В README сообщается о F1 96,34 на тестовом наборе и проверке на публикациях из нескольких научных областей; результаты зависят от трактовки неоднозначных количественных выражений. Модификаторы вроде «примерно», «более» и отрицания в выделяемые фрагменты не входят. Лицензия — Apache-2.0.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen. Представленная версия распространяется в формате GGUF и квантизирована bartowski на базе llama.cpp. Размер модели — 7B параметров, лицензия — Apache 2.0. Модель предназначена для задач image-text-to-text: анализа изображений и текста, ответов на вопросы по визуальному содержимому, распознавания объектов, работы с текстами, таблицами, диаграммами, иконками, графикой и макетами. Она также рассчитана на сценарии визуального агента, включая рассуждение и динамическое управление инструментами, компьютером или телефоном, а также на генерацию структурированных данных и стабильных JSON-ответов. Заявлена поддержка нескольких языков, однако их точный перечень в README не указан. Ключевая характеристика модели — контекст длиной до 128 тысяч токенов. Сильными сторонами являются мультимодальный анализ сложных визуальных материалов, работа со структурированным выводом и применение в агентских сценариях. README не содержит результатов benchmark-тестов, подробностей архитектуры, информации о конкретном варианте квантизации, системных требованиях и количественной оценке ограничений, поэтому фактическое качество и требования к ресурсам следует проверять отдельно.

RohitUltimate/Qwen3.5_VL_2B_12k — мультимодальная модель для преобразования изображений и текста в текст, дообученная на базе Qwen3.5-2B. Карточка указывает на настройку для извлечения данных из банковских выписок и улучшенное следование инструкциям и понимание изображений. Модель рассчитана на контекст до 12 000 токенов и запуск на GPU с объёмом видеопамяти менее 8 ГБ; для инференса описана поддержка vLLM и Transformers. Модель подходит для разбора изображений банковских выписок и извлечения из них структурированной информации в текстовом виде. В репозитории указана лицензия MIT. Заявления об улучшении качества приведены в карточке модели, но количественные результаты оценки не указаны.

sukhrobnurali/qwen3vl-resume-parser — мультимодальная модель Sukhrob Nurali для извлечения структурированных данных из изображений страниц резюме и CV. Она преобразует одну или несколько страниц одного резюме в JSON-запись с 23 полями: контактными данными, навыками, опытом, образованием, языками, сертификатами, проектами и предпочтениями. Модель предназначена для пакетной обработки документов в рекрутинговых и ATS-системах, где требуется фиксированная схема данных. Это дообученная QLoRA-модель Qwen/Qwen3-VL-8B-Instruct; опубликованы объединённые полные веса BF16 в формате safetensors, примерно 9 млрд параметров. Модель принимает изображения страниц вместе с текстовой инструкцией и выдаёт текстовый JSON. Она настроена преимущественно на англоязычные резюме и может обрабатывать несколько страниц; заявленный контекст — до 16 384 токенов. Лицензия — Apache-2.0. На отложенной выборке из 51 примера автор сообщает 88,2% валидных JSON и 83,9% взвешенной оценки. Модель привязана к конкретной 23-полевой схеме и её справочникам значений; качество может снижаться на резюме вне IT, необычных макетах, сканах, фотографиях, рукописном тексте и документах на других языках. В README также указаны задержка около 90 секунд на резюме при тестировании на A100 и пиковое потребление около 23 ГБ VRAM в BF16; результаты в 4-битном режиме не оценивались. Результаты следует проверять, а выводы о кандидатах не следует автоматизировать.

Jina Reader-LM 0.5B — компактная языковая модель, разработанная Jina AI для преобразования HTML-страниц в Markdown. Она обучена на отобранных парах HTML и соответствующего Markdown и принимает исходный HTML без дополнительной инструкции в запросе. Модель предназначена для извлечения и преобразования содержимого веб-страниц, например при подготовке страниц сайтов к чтению и дальнейшей обработке. Модель построена на архитектуре Qwen2 с плотной причинно-следственной языковой моделью и содержит 494 млн параметров. Она работает через Transformers, принимает текст и генерирует текст; заявленная длина контекста — 256 тысяч токенов. В метаданных указана поддержка многоязычного режима, но конкретные языки не перечислены. Модель специализируется на преобразовании веб-содержимого, поэтому её не следует считать универсальным средством для любых задач генерации текста. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

relik-ie/relik-reader-deberta-v3-small-re-wikipedia — компактная модель-компонент ReLiK, разработанная для извлечения информации из текста. В архитектуре ReLiK ретривер находит подходящие документы, а reader извлекает из них сущности и отношения; данный чекпойнт относится к reader и использует архитектуру DeBERTa v3 small для извлечения отношений на материалах Wikipedia. Модель предназначена для связывания упоминаний сущностей с объектами базы знаний и извлечения отношений между сущностями в найденных текстах. Её можно применять как reader в конвейере ReLiK для анализа документов и построения структурированных фактов. Карточка описывает ReLiK как быструю и лёгкую систему, однако приведённые результаты относятся к версии ReLiK Large на наборе NYT и не подтверждают качество именно этого чекпойнта. Доступны файлы в формате safetensors; языковая метка модели — английский. Лицензия и численный размер чекпойнта в предоставленных данных не обозначены.

Это модель распознавания именованных сущностей на основе RoBERTa, дообученная проектом T-NER на обучающей части TweetNER7 (train_all). Она размечает в тексте упоминания людей, организаций, творческих работ, событий, групп, мест и продуктов; предназначена прежде всего для анализа подготовленных твитов и извлечения сущностей из сообщений социальных сетей. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForTokenClassification и принимает последовательности текста с контекстом до 514 токенов. В тестировании TweetNER7 за 2021 год micro F1 составил 0,652; качество различается по категориям: лучше всего распознаются люди (F1 0,838), слабее — творческие работы (0,466), события (0,467) и корпорации (0,517). Для корректной обработки твитов следует учитывать предобработку TweetNER7, где имена аккаунтов и URL преобразованы в специальные форматы. Лицензия в предоставленных данных не указана.

Rudar mmBERT Slovenian NER — модель распознавания именованных сущностей в текстах на словенском языке, разработанная в рамках семейства Rudar. Это дообученная модель jhu-clsp/mmBERT-base с архитектурой ModernBERT и классификационной головой для разметки токенов. Она относит фрагменты текста к четырём классам CoNLL: PER (люди), LOC (места), ORG (организации) и MISC (прочие сущности), выдавая BIO-теги. Модель содержит 306,9 млн параметров, принимает текстовый контекст длиной до 8192 токенов и предназначена для новостей и текстов общего профиля на словенском языке. Модель подходит для извлечения упоминаний людей, мест и организаций из словенских документов и новостных публикаций. Для получения цельных фрагментов сущностей в README рекомендуется объединять метки со стратегией average. Модель ожидает текст с сохранённым регистром и достаточно корректной формой; для языков, кроме словенского, она не предназначена. Лицензия — MIT.

LLAIM Legal NER — русскоязычная модель распознавания именованных сущностей, разработанная LLAIMlegal для поиска персональных данных и юридических идентификаторов в документах российской правовой практики. Это дообученная модель cointegrated/rubert-tiny2 на архитектуре BERT с примерно 29 млн параметров; она принимает текст и присваивает метки фрагментам, относящимся к 13 типам сущностей, включая имена, адреса, ИНН, ОГРН, СНИЛС, паспортные данные, банковские реквизиты и номера судебных дел. Контекст модели — до 2048 токенов. Модель предназначена для выявления данных перед псевдонимизацией договоров, исков, доверенностей, судебных актов и других юридических документов. Вместе со вспомогательной обработкой найденные значения можно заменить обратимыми токенами и восстановить по локальному словарю; сама модель выполняет обнаружение, а не шифрование или восстановление. Она компактна, работает на CPU и подходит для локального развертывания. В README приведены результаты на небольших выборках, включая overlap micro F1 около 0,94 и strict exact-match F1 около 0,83; качество требует проверки на конкретных данных. Модель выпущена под лицензией MIT.

SLIM-TOPICS — компактная специализированная языковая модель из серии SLIM от llmware, дообученная для вызовов функций анализа тем. Модель построена на архитектуре Llama с плотной decoder-only трансформерной архитектурой, содержит 1 млрд параметров и работает с контекстом до 2048 токенов. Модель принимает текст и формирует структурированный текстовый результат — словарь Python с темами, например в поле topics. Она предназначена для извлечения тем из текста и включения результата в автоматизированные рабочие процессы на основе нескольких LLM. В README показаны запуск через Transformers и вызов функции через llmware. Модель распространяется под лицензией Apache-2.0. Карточка описывает узкую специализацию на анализе тем; качество на других задачах не заявлено.

Это модель SpanBERT large, разработанная Facebook Research и дообученная на наборе TACRED для извлечения отношений между сущностями в тексте. TACRED содержит более 106 тысяч примеров с 42 типами отношений из базы TAC KBP. Модель основана на архитектуре BERT и предназначена для получения контекстных представлений текста, которые можно использовать в задачах анализа отношений. Модель рассчитана на англоязычные тексты и принимает последовательности длиной до 512 токенов. В репозитории доступны веса PyTorch и Flax, включая формат safetensors. Метаданные классифицируют её задачу как извлечение признаков; специализированное обучение на TACRED указывает на применение для извлечения отношений. Лицензия в предоставленных данных не указана.

stanfordnlp/stanza-en — англоязычная модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа текста: Stanza обрабатывает текст от базового языкового разбора до синтаксического анализа и распознавания сущностей. Репозиторий содержит веса PyTorch; в метаданных основная задача отмечена как token-classification, а поддерживаемый язык — английский. Модель подходит для анализа английского текста в приложениях NLP, включая разметку токенов и извлечение сущностей. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Размер модели и длина контекста в предоставленных данных не указаны.

HYM/test-finetuned-ner — модель HYM для классификации токенов, дообученная на базе hfl/chinese-pert-large. Она подходит для разметки последовательностей, например для распознавания именованных сущностей, если метки обучающего набора соответствуют этой задаче. Модель использует архитектуру BERT с головой BertForTokenClassification, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Для обучения использовался неизвестный набор данных; в карточке приведены метрики на оценочной выборке: F1 0,7581, точность 0,7449, полнота 0,7717 и accuracy 0,9546. Лицензия CC BY-NC-SA 4.0 предусматривает некоммерческое использование и распространение производных материалов на тех же условиях.

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

microsoft/trocr-small-printed — небольшая модель Microsoft для распознавания печатного текста на изображениях. Это вариант TrOCR, дообученный на наборе SROIE и впервые опубликованный в репозитории модели. Архитектура encoder-decoder объединяет визуальный Transformer-энкодер на основе DeiT и авторегрессионный текстовый Transformer-декодер на основе UniLM; изображение разбивается на патчи 16×16, по которым модель генерирует текстовые токены. Модель предназначена для OCR отдельных строк текста на изображениях. Её можно применять для извлечения печатного текста из изображений строк, в том числе в сценариях, связанных с чеками и документами, представленными в SROIE. Карточка не сообщает о поддержке других языков или о контекстном окне; специальная настройка рассчитана на SROIE. Лицензия в предоставленных данных не указана.

cardiffnlp/twitter-roberta-base-ner7-latest — модель Cardiff NLP на архитектуре RoBERTa, обученная на 154 млн твитов до конца декабря 2022 года и дообученная для распознавания именованных сущностей в твитах на датасете TweetNER7 из SuperTweetEval. Она размечает фрагменты текста как организации, творческие работы, события, группы, местоположения, людей и продукты. Модель предназначена для извлечения сущностей из сообщений в социальных сетях; её можно использовать для анализа упоминаний людей, организаций и других объектов в твитах. Метаданные указывают 151,8 млн параметров, контекст до 514 токенов и поддержку английского языка. Распространяется по лицензии MIT.

WeVisDoc-2B-GGUF — GGUF-сборка компактной мультимодальной модели WeVisDoc-2B, разработанной Tencent и дообученной на базе Qwen3-VL-2B-Instruct. Модель предназначена для сквозного разбора документов: по изображению страницы она формирует структурированный вывод в Markdown, включая формулы в формате LaTeX и таблицы в HTML. Поддерживаются английский и китайский языки, а основной сценарий применения — извлечение и структурирование содержимого документов, а не универсальные задачи компьютерного зрения и языка. Модель содержит около 2 млрд параметров и ориентирована на развёртывание в условиях ограниченных ресурсов. Репозиторий предоставляет варианты GGUF-квантизации от Q3_K до Q8_0, а также мультимодальные проекционные файлы; размеры основных файлов составляют примерно от 1,07 до 4,07 ГБ. Согласно README, WeVisDoc-2B показывает высокие результаты на OmniDocBench v1.6 и PureDocBench, в отдельных настройках превосходя более крупные модели. При этом конкретное значение контекстного окна в карточке не указано, а устойчивость на реально деградировавших документах ниже, чем на чистых и цифрово деградировавших данных. Модель распространяется по лицензии Apache 2.0. Для запуска доступны llama.cpp и Transformers; серверное развёртывание через vLLM требует версии не ниже 0.11.1. Ключевые ограничения — специализация на разборе документов, поддержка только английского и китайского языков, а также возможная потеря качества при использовании более агрессивных вариантов квантизации.

Это модель XLM-RoBERTa-base, дообученная для классификации токенов. По названию репозитория она предназначена для задачи PAN-X на немецком языке; в README приведена оценка F1 0,8638 и loss 0,1386 на наборе оценки, но датасет и подробности разметки не описаны. Модель содержит 305,2 млн параметров, принимает текст и использует контекст до 514 токенов. Разработчик — владелец репозитория aoi-33; базовая модель создана FacebookAI. Лицензия — MIT.

Kkanuu/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для разметки последовательностей, например для распознавания именованных сущностей в немецком тексте; карточка указывает на дообучение на наборе PANX, но подробности о данных не приведены. Модель содержит 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. На оценочном наборе указаны loss 0,1426 и F1 0,8602. Лицензия — MIT. README не уточняет состав меток и обучающих данных, поэтому результаты не гарантируют качество на других доменах и типах текста.

Это модель XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для разметки отдельных токенов во входном тексте; конкретный набор меток и прикладной сценарий в карточке не описаны. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: F1 0,8848 и loss 0,2936. Разработчик указан как DeepaPeri. Модель опубликована по лицензии MIT.

tsmatz/xlm-roberta-ner-japanese — модель извлечения именованных сущностей, созданная дообучением xlm-roberta-base. Она размечает токены японского текста; модель предназначена для поиска упоминаний людей, организаций и других типов сущностей в предложениях и документах. Обучение проводилось на датасете NER от Stockmark Inc., собранном из статей японской Википедии. Модель основана на архитектуре XLM-RoBERTa, имеет около 305,2 млн параметров и принимает контекст до 514 токенов. Она распространяется в форматах PyTorch и Safetensors под лицензией MIT. Карточка указывает классы PER и ORG среди меток; качество и полнота распознавания остальных классов в предоставленном фрагменте README не описаны.

Это модель XLM-RoBERTa Base, дообученная для классификации токенов. В карточке указан результат F1 0,8586 на оценочной выборке, однако набор данных обозначен как None, поэтому результат нельзя связать с конкретным тестовым корпусом. Модель основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для присвоения меток отдельным токенам, например для распознавания именованных сущностей. По названию репозитория она настроена на немецкий и французский варианты задачи PAN-X, но карточка не описывает точную схему меток и оценочные данные. Весовые файлы доступны в формате safetensors. Лицензия — MIT.

RyanBours представляет Candle-совместимую конверсию дообученной YOLOv11n для обнаружения текстовых областей. Модель принимает изображения размером 640 × 640 и находит на них объекты класса «text»; веса доступны в форматах Safetensors и ONNX для использования с Candle и ONNX Runtime. Модель предназначена для выделения областей с текстом на документах, снимках экрана и фотографиях, например перед передачей изображения в OCR. Это компактный детектор на архитектуре YOLOv11n, однако карточка не приводит численные показатели качества или подробности обучающего набора. Лицензия репозитория — Apache-2.0.

Agents-K1 — языковая модель на 3,7 млрд параметров, разработанная InternScience путём дообучения Qwen/Qwen3-4B-Instruct-2507 с помощью GRPO. Она предназначена для извлечения сущностей и отношений из научных и общих текстов на английском языке. Модель выдаёт структурированные извлечения в формате JSON и рассчитана на работу по заданной схеме; её можно использовать как компонент систем построения графов знаний, связывания цитирований и многошаговых ответов на вопросы. Для обучения использован англоязычный набор IEPile с 22 источниками данных для распознавания именованных сущностей и извлечения отношений. В README сообщается об улучшении среднего F1 на 3,3 пункта по десяти тестовым наборам относительно базовой модели, включая домены, не представленные в обучении. Модель использует плотную архитектуру Qwen3, работает через библиотеку Transformers и поддерживает контекст до 262 144 токенов. Лицензия — Apache-2.0. Для надёжного получения результата нужны явный формат и списки типов сущностей и отношений в запросе. Свободные вопросы могут приводить к некорректному JSON; модель специализирована на извлечении информации и не предназначена для универсального диалога.

MutazYoune/Arabic-NER-PII2 — модель распознавания именованных сущностей для арабского текста, разработанная на основе BERT и дообученная на базе MutazYoune/ARAB_BERT. Она выполняет классификацию токенов и выделяет категории CONTACT, IDENTIFIER, NETWORK, NUMERIC_ID и PII, поэтому подходит для поиска контактных данных и других идентификаторов в арабских текстах. Модель использует архитектуру BERT, содержит 136,3 млн параметров и обрабатывает до 512 токенов за контекст. Модель обучена на пользовательском наборе данных augmented_pattern2; README сообщает, что для финального обучения объединяли обучающую и тестовую части без отдельной валидационной выборки. Это ограничивает возможность оценить обобщающую способность и не позволяет судить о качестве по независимой валидации. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

yanekyuk/bert-keyword-extractor — дообученная модель BERT для извлечения ключевых слов посредством классификации токенов. Она предназначена для выделения ключевых слов в тексте; README приводит метрики на оценочном наборе: precision 0,8565, recall 0,8874, accuracy 0,9738 и F1 0,8717, но не описывает сам набор данных и подробности обучения. Модель основана на bert-base-cased, имеет 135,5 млн параметров и контекст до 512 токенов. Поддерживает английский язык, использует PyTorch и распространяется по лицензии Apache-2.0.