I.3Извлечение и структурирование данных

ckiplab/bert-tiny-chinese-ner — компактная модель семейства BERT от CKIP для распознавания именованных сущностей в традиционном китайском тексте. Она относится к архитектуре BertForTokenClassification, содержит 12,8 млн параметров и принимает последовательности длиной до 512 токенов. Для токенизации автор рекомендует BertTokenizerFast. Модель предназначена для извлечения сущностей из китайского текста; это часть проекта CKIP с инструментами для сегментации слов, разметки частей речи и распознавания сущностей. В метаданных указана поддержка китайского языка и формат PyTorch. Лицензия — GPL-3.0.

Модель cvalenciaunivalle/bilstm-crf-fasttext-conll-bs8 — модель распознавания именованных сущностей, разработанная Лаурой Валеро и Кристианом Валенсией для учебного семинара по обработке естественного языка в Univalle. Она использует двунаправленную LSTM с выходным слоем CRF и 300-мерными испанскими FastText-эмбеддингами; обучение проводилось на испанской части CoNLL-2002. На тестовой выборке CoNLL-2002 указаны F1 0,7973, точность 0,8109 и полнота 0,7842. Модель принимает испанский текст и присваивает метки токенам для распознавания именованных сущностей. Для загрузки требуется собственный код модели с параметром trust_remote_code=True. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных материалов на тех же условиях и некоммерческого применения.

bling-falcon-1b-0.1 — инструктивно дообученная языковая модель серии BLING от llmware, созданная на базе tiiuae/falcon-rw-1b. Это плотная авторегрессионная модель Falcon примерно с 1,7 млрд параметров и контекстом 2048 токенов; она работает с текстом и рассчитана на запуск локально на ноутбуке, в том числе на CPU без специальной квантизации. Основной язык модели — английский. Модель предназначена для локальных прототипов и автоматизации сценариев RAG: ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В опубликованном тесте RAG-Instruct-Benchmark-Tester указана оценка 89 из 100; качество суммирования охарактеризовано как связное и экстрактивное, а в тестовых прогонах галлюцинаций не наблюдалось. Эти результаты относятся к описанному тесту и не гарантируют точность в других задачах. Лицензия — Apache 2.0.

Babelscape/cner-base — модель на базе DeBERTa-v3-base, дообученная Babelscape на один эпохе датасета CNER. Она совместно распознаёт в тексте понятия и именованные сущности, присваивая им детализированные метки. Модель предназначена для извлечения сущностей и понятий из англоязычных текстов; её можно применять через NER pipeline библиотеки Transformers. Размер модели — 211,6 млн параметров, контекст — до 512 токенов. Результаты могут отличаться от опубликованных в статье NAACL 2024, поскольку модель обучалась один эпохой с настройками по умолчанию. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0 только для некоммерческих исследовательских целей; базовая microsoft/deberta-v3-base имеет лицензию MIT.

mPLUG-DocOwl2 — мультимодальная языковая модель семейства mPLUG-DocOwl, разработанная командой mPLUG для понимания многостраничных документов без предварительного OCR. Модель принимает изображения страниц и текстовые запросы, а затем формирует текстовые ответы о содержимом документа. Модуль High-resolution DocCompressor кодирует каждую страницу всего 324 токенами, что позволяет работать с многостраничными документами. Модель предназначена для извлечения и анализа информации из документов, в том числе для ответов на вопросы по их содержимому. В метаданных указаны 6,6 млрд параметров, контекстное окно 2048 токенов и поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка описывает её назначение для OCR-free понимания документов, но не приводит количественных оценок качества или подробностей о поддержке языков, кроме английского.

Donut-proto — предварительно обученная базовая модель семейства Donut от NAVER CLOVA, построенная по схеме vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно генерирует текст на основе его представления. Модель предназначена для последующего дообучения под задачи понимания документов, например классификации изображений документов и извлечения структурированных данных. Она принимает изображение и выдаёт текст; готовую точность на конкретной задаче карточка не заявляет. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Экспериментальная копия весов dots.ocr от RedNote HiLab с исправленной конфигурацией для запуска через Transformers. Модель предназначена для анализа изображений документов и преобразования их содержимого в текст, в том числе в формате Markdown; архитектура — плотная модель DotsOCRForCausalLM с 1,5 млрд параметров, работающая с изображениями и текстом. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Исправление устраняет ошибку инициализации video_processor, из-за которой инференс не запускался в актуальных версиях Transformers. Репозиторий содержит веса в формате safetensors и имеет лицензию MIT. Автор карточки называет эту версию экспериментальной и рекомендует более новые версии исходной модели; также указано, что скопированные веса нельзя использовать для других целей.

dragon-deci-7b-v0 — модель llmware из серии dRAGon, дообученная на базе DeciLM-7B для ответов на вопросы по предоставленному контексту в RAG-сценариях. Она предназначена для корпоративных систем, которым нужны фактологические ответы по внутренним документам, извлечение значений по ключам и краткое изложение текста. Модель имеет плотную архитектуру DeciLMForCausalLM и 7,9 млрд параметров; принимает и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. В README приведены результаты тестирования на RAG-Instruct-Benchmark-Tester: оценка 97,5 из 100 по описанной авторами системе подсчёта, включая задачи поиска ответа в контексте, вопросы да/нет, логику и суммаризацию. Эти результаты относятся к указанному тесту и не гарантируют аналогичное качество на других данных. Модель может давать неточные или неполные ответы, поэтому результаты следует проверять, особенно в юридических и финансовых сценариях. Лицензия — Apache 2.0.

Это модель распознавания именованных сущностей для немецкого языка, предназначенная для использования с библиотекой Flair и PyTorch. Она размечает в тексте сущности восьми классов; в карточке приведены примеры PER (имена людей), LOC (места) и ORG (организации). Заявленная оценка F1 — 95,6. Модель подходит для извлечения имен людей, мест и организаций из немецких текстов. Карточка указывает лицензию Flukes NC 1.0: использование разрешено только в некоммерческих целях; для коммерческого применения, включая использование предсказаний в продукте или услуге, требуется отдельная лицензия.

FSNER — модель для распознавания именованных сущностей, реализованная sayef на основе подхода Example-Based Named Entity Recognition. Она использует few-shot подход без обучения на целевой области: по размеченным примерам сущностей определяет их фрагменты в новом домене, применяя идею вопросно-ответных систем. В карточке описаны подготовка примеров с маркерами сущностей и сценарии обучения и оценки; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель построена на BERT и опубликована в формате PyTorch. README указывает bert-base-uncased как предобученную основу для запуска trainer, но не уточняет явно, являются ли опубликованные веса дообученной копией этой модели. Лицензия в предоставленных сведениях не указана.

PaDaS-Lab/gdpr-privacy-policy-ner — модель семейства BERT для распознавания сущностей в текстах политик конфиденциальности. Она размечает токены по 33 классам, связанным с GDPR, включая оператора данных, обработчика данных и ответственного за защиту данных. Модель подходит для извлечения упоминаний ролей и других категорий GDPR из документов о конфиденциальности. Модель имеет 135,5 млн параметров и контекстное окно до 512 токенов. Она опубликована в форматах PyTorch, Safetensors и TensorFlow; лицензия — MIT. Данные не уточняют поддерживаемые языки и ограничения на качество разметки.

whr778/gliner2-large-v1-rams — модель извлечения событий из текста, дообученная разработчиком на базе fastino/gliner2-large-v1 с использованием набора RAMS. Она выделяет тип события, его триггер и аргументы с типизированными ролями в нескольких предложениях; карточка также описывает семейство GLiNER2 как систему для извлечения сущностей и отношений и классификации текста. Модель рассчитана на англоязычные тексты и охватывает 139 типов событий и 65 ролей аргументов из RAMS. В слепом тестировании F1 для типов событий составил 0,998, для триггеров — 0,903 строго и 0,907 в расслабленной оценке, для аргументов — 0,444 и 0,697 соответственно. Это указывает на заметно более слабое извлечение аргументов по сравнению с определением событий и триггеров. Модель использует библиотеку gliner2, веса представлены в формате safetensors. Лицензия указана как other; подробные условия следует проверить в репозитории модели и источнике данных RAMS.

rafmacalaba/gliner_agents_v3 — дообученная модель GLiNER Large v2.1 для извлечения упоминаний источников данных из текста документов. Она выделяет фрагменты трёх типов: именованные источники данных, описания источников без названия и общие упоминания данных. Модель подходит для разметки документных корпусов, поиска источников данных и последующего анализа извлечённых сущностей. Модель дообучена на датасете rafmacalaba/datause-agents-v3 в течение пяти эпох с точностью bf16. На отложенной выборке из 2 108 фрагментов при пороге 0,60 указаны precision 0,9204 и recall 0,7559; результаты зависят от типа метки: извлечение именованных источников заметно надёжнее, чем описательных упоминаний, а класс общих упоминаний представлен в оценке малым числом примеров. По README это англоязычные документные данные; длина контекста и размер модели не указаны в доступных сведениях. Модель распространяется по лицензии Apache-2.0.

GLiNER-small-PII — модель распознавания именованных сущностей, разработанная Vicgalle путём дообучения gliner-community/gliner_small-v2.5 на синтетическом наборе данных urchade/synthetic-pii-ner-mistral-v1. Она предназначена для поиска и классификации персональных данных в текстах, включая имена, организации, контакты, адреса, номера удостоверений, финансовые и медицинские сведения, а также другие идентификаторы. Модель использует архитектуру GLiNER и решает задачу token-classification. Карточка перечисляет поддержку английского, французского, немецкого, испанского, португальского и итальянского языков. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель подходит для первичного выявления конфиденциальных фрагментов в документах и текстовых потоках. Порог извлечения влияет на полноту результатов; распознавание не гарантирует обнаружения всех сущностей и может требовать проверки человеком, особенно для чувствительных или регулируемых данных.

Карточка модели khaojai-it/GLM-4.6V-Flash на Hugging Face совпадает с карточкой unsloth/GLM-4.6V-Flash, поэтому описание составлено по ней. GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.

GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.

GLM-4.6V-Flash-GGUF — это набор GGUF-сборок мультимодальной модели GLM-4.6V-Flash, разработанной zai-org и опубликованной пользователем prithivMLmods. Модель относится к классу vision-language и предназначена для локального развёртывания и приложений с низкой задержкой. Доступны варианты с разными форматами точности и квантования, включая F16, BF16, F32, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-варианты. Модель рассчитана на работу с текстом и изображениями, включая фотографии, скриншоты и страницы документов. Она предназначена для визуального понимания документов, таблиц, графиков и макетов, мультимодального function calling, взаимодействия с инструментами, генерации HTML/CSS по скриншотам интерфейсов и редактирования изображений по инструкциям на естественном языке. Заявлено контекстное окно до 128K токенов и около 9 млрд параметров; поддерживаются китайский и английский языки. К сильным сторонам относятся мультимодальное понимание текста, структуры страниц и визуальных элементов, возможность напрямую использовать изображения в сценариях с инструментами, а также широкий выбор квантованных вариантов для подбора баланса между качеством и требованиями к памяти. Ограничения зависят от выбранного уровня квантования: более компактные варианты требуют меньше ресурсов, но могут снижать точность. В README не приведены подробные результаты тестирования, системные требования и инструкции по запуску. Лицензия модели указана как MIT.

unsloth/GLM-4.6V-GGUF — GGUF-версия мультимодальной модели GLM-4.6V из семейства GLM-V. Исходную модель разработала команда Z.ai, а данный вариант подготовлен Unsloth с использованием формата GGUF и методов квантования Unsloth Dynamic 2.0. Модель предназначена для облачных и высокопроизводительных кластерных сценариев, а также для задач мультимодальных агентов. GLM-4.6V поддерживает обработку изображений и текста, включая документы, скриншоты, страницы с таблицами, графиками и сложной разметкой. Она рассчитана на контекст до 128 тысяч токенов, поддерживает китайский и английский языки и имеет заявленный размер 106 млрд параметров. Ключевые возможности включают визуальное понимание, мультимодальный Function Calling, интерливинг изображений и текста, анализ длинных и многодокументных материалов, а также восстановление интерфейсов по скриншотам с генерацией и редактированием HTML/CSS. Сильными сторонами являются сочетание визуального восприятия с выполнением действий через инструменты, работа с насыщенными документами и заявленная конкурентоспособность на мультимодальных бенчмарках. Ограничения связаны с очень крупным размером модели и высокими требованиями к вычислительным ресурсам; конкретные требования к памяти и характеристики квантования в предоставленных данных не указаны. Модель распространяется по лицензии MIT.

avichr/heBERT_NER — модель распознавания именованных сущностей в тексте на иврите, опубликованная разработчиком avichr. Она основана на архитектуре Google BERT, конфигурации BERT-Base и дообучена для классификации токенов. Модель выделяет сущности, например имена людей, организаций и географические названия; в карточке указана оценка на размеченном наборе данных Ben Mordecai и M. Elhadad (2005) по F1-мере. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст длиной до 512 токенов. Базовый HeBERT предварительно обучен на ивритских данных из OSCAR, Википедии и пользовательских текстов; эта версия предназначена для NER. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

IndicNER — модель команды AI4Bharat для распознавания именованных сущностей в предложениях на 11 языках Индии. Это дообученная для NER версия bert-base-multilingual-uncased, построенная на архитектуре BERT и доступная в формате PyTorch. Модель предназначена для извлечения именованных сущностей из текста. Для обучения использовали данные, собранные из корпуса Samanantar; качество оценивали на размеченном вручную тестовом наборе и других публичных наборах данных для NER на индийских языках. Модель поддерживает ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, панджаби, тамильский и телугу. Карточка отмечает, что после публикации статьи о Naamapadam в декабре 2022 года разработчики планировали обновить репозиторий новой версией модели. Лицензия — MIT.

knosing/japanese_ner_model — модель на базе BERT, дообученная автором репозитория на японском датасете распознавания именованных сущностей из Википедии, опубликованном Stockmark Inc. Она предназначена для выделения и классификации сущностей в японском тексте, включая имена людей, организации, места, события и названия продуктов. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Для запуска используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. В README приведены метрики на тестировании: F1 0,8428 и accuracy 0,9684. Качество зависит от типа сущности: в приведённых результатах F1 для названий продуктов составляет 0,6198, а для общих названий — 0,9177. README также предупреждает, что модель может быть недоступна через Hugging Face Inference API. Лицензия — Apache-2.0.

Модель nestauk/jobbert-base-cased-compdecs разработана Nesta, британским агентством инноваций, в рамках проекта Open Jobs Observatory. Это дообученная для классификации версия jjzha/jobbert-base-cased — англоязычной BERT-модели, предварительно обученной на текстах вакансий. Модель с 135,5 млн параметров принимает текст и относит предложения из объявлений о работе к одному из двух классов: описание компании или не описание компании. Модель предназначена для извлечения описаний компаний из онлайн-вакансий и последующего анализа, например сопоставления компаний с кодами стандартной отраслевой классификации SIC. Для обучения использованы 486 вручную размеченных предложений с описаниями компаний и 1000 предложений без таких описаний длиной менее 250 символов. На тестовой выборке из 147 предложений точность составила 0,92157; показатель F1 для класса описаний компаний — 0,884. Модель использует архитектуру BERT для классификации последовательностей, работает с английским текстом и имеет контекст длиной до 512 токенов. Распространяется по лицензии MIT. Результаты оценки получены на небольшой выборке, поэтому качество на вакансиях других источников и форматов может отличаться.

Модель Theivaprakasham/layoutlmv3-finetuned-invoice — дообученная версия microsoft/layoutlmv3-base на наборе данных счетов-фактур. Она использует архитектуру LayoutLMv3 для разметки токенов с учётом текста и визуальной структуры документа. По изображению счёта модель извлекает имя и адрес выставителя, почтовый индекс, дату оплаты, GST, дату и номер счёта, подытог и итоговую сумму. Модель содержит 151,8 млн параметров, работает в формате PyTorch и рассчитана на контекст до 514 токенов. В карточке приведены идеальные метрики на оценочной выборке: precision, recall, F1 и accuracy равны 1,0; эти результаты относятся только к указанной выборке и не гарантируют такого же качества на новых документах. Модель предназначена для извлечения полей из счетов, а не для документов произвольного типа. Лицензия в доступных данных не указана.

unsloth/LFM2.5-230M-GGUF — квантизированная версия компактной текстовой модели LFM2.5-230M, разработанной Liquid AI и подготовленной в формате GGUF командой Unsloth. Модель предназначена для локального и периферийного развертывания с использованием llama.cpp и совместимых инструментов, включая устройства с ограниченными ресурсами. Она подходит для извлечения данных, легковесных агентских сценариев и задач с вызовом инструментов. Модель содержит 230 млн параметров и использует гибридную архитектуру из 14 слоёв: 8 блоков double-gated LIV convolution и 6 блоков GQA. Контекстное окно составляет 32 768 токенов, размер словаря — 65 536 токенов, дата отсечения знаний — середина 2024 года. Поддерживаются английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский языки. Это text-only модель без заявленной поддержки изображений или других модальностей. К сильным сторонам относятся небольшой размер, высокая скорость инференса и пригодность для работы на CPU, мобильных устройствах и периферийных системах. Модель поддерживает function calling и была оптимизирована для извлечения данных и агентских конвейеров. Ограничения связаны с малым числом параметров: модель не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как lfm1.0; GGUF-формат предназначен для инференса и локального развертывания, а не как основной формат для дообучения.

LiLT-SER-EN — дообученная модель kavg для классификации токенов в документах. Она основана на nielsr/lilt-xlm-roberta-base, мультиязычной архитектуре LiLT и XLM-RoBERTa, которая учитывает текст и его расположение на странице. Модель содержит около 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель предназначена для извлечения и разметки элементов документов на уровне токенов. В README приведены результаты оценки: F1 0,7351 и точность 0,7438; датасет обучения и конкретный набор меток не раскрыты, поэтому применимость к отдельным типам документов и полям требует проверки. Репозиторий распространяется по лицензии MIT.

nielsr/lilt-xlm-roberta-base — модель, созданная сочетанием Language-Independent Layout Transformer (LiLT) и XLM-RoBERTa-base. Это мультиязычный трансформер для извлечения признаков из документов с учётом текстового содержимого и его расположения на странице, по назначению близкий к LayoutLM. Модель содержит 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в форматах PyTorch и safetensors. Модель предназначена для построения представлений документов и может служить основой для задач понимания структуры документов на разных языках. XLM-RoBERTa обучалась на 100 языках; карточка указывает мультиязычную поддержку, включая английский, немецкий, французский, испанский, арабский, китайский и другие языки. Лицензия — MIT. Карточка не приводит оценок качества или подробных ограничений применения.

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык. Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации. Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.

Mistral-7B Academic Metadata Extractor — дообученная Tamam Alhasan и Savaş Takan модель на базе Mistral-7B-Instruct-v0.3 для извлечения библиографических сведений из научных документов. Она принимает академический текст и формирует структурированный JSON с названием работы, ключевыми словами, авторами и их организациями, издателем, журналом и годом публикации. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Предназначена для автоматизации каталогизации в научных репозиториях, цифровых библиотеках и исследовательских базах. В описанной оценке точность извлечения полей составила 91,8%; оценка проводилась на наборе из 100 тестовых документов. Обучение и оценка проводились преимущественно на англоязычных научных документах. Качество может снижаться на документах с необычной разметкой, неполными данными, ошибками OCR или из областей, отличающихся от обучающих. Лицензия в предоставленных данных не указана.

Muse Spark 1.2 — рассуждающая модель Meta для сложных задач с агентным взаимодействием. Она принимает текст, изображения, видео, аудио и PDF-документы, а на выходе формирует текст. Заявленный контекст — до 1 млн токенов. Модель подходит для сценариев, где нужно анализировать смешанные входные данные и выполнять многошаговые задачи. В метаданных каталога её задача указана как image-text-to-text. Информация о лицензии, точном размере и ограничениях модели в доступных данных отсутствует.

Модель Omar Maqousi для распознавания именованных сущностей в арабском тексте. Это дообученная версия XLM-RoBERTa base с архитектурой XLMRobertaForTokenClassification; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Она выделяет имена людей (PER), организации (ORG) и географические названия (LOC), обучена на арабской части PAN-X (WikiANN) из бенчмарка XTREME. В описанной оценке на тестовой выборке PAN-X достигла F1 91,76% на уровне сущностей и точности токенов 96,24%. Предназначена для извлечения сущностей из современного литературного арабского текста; хуже подходит для диалектов, Arabizi, социальных сетей и типов сущностей вне PER, ORG и LOC. Лицензия — MIT.