I.3Извлечение и структурирование данных

BLING-QWEN-1.5B — модель llmware из серии BLING, дообученная для ответов на вопросы по контексту сложных деловых и юридических документов. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров; метаданные указывают контекст до 131 072 токенов и формат PyTorch. Модель рассчитана на сценарии RAG: получает текстовый фрагмент и вопрос, чтобы дать краткий фактический ответ, извлечь значения полей или выполнить базовое суммирование. Модель ориентирована на автоматизацию рабочих процессов в компаниях, в том числе в финансовой, юридической и регуляторной сферах. В тестировании RAG-Instruct-Benchmark-Tester авторы сообщают 93,5 балла из 100 и отсутствие наблюдавшихся галлюцинаций в тестовых прогонах; эти результаты получены на 4_K_M-квантизованной версии bling-qwen-mini-tool и не являются гарантией для данного чекпойнта. Поддерживаемый в карточке язык — английский. Лицензия — Apache 2.0. Ответы могут быть неполными или неточными, поэтому их следует проверять.

Стандартная модель Flair для выделения английских именных и других фразовых групп в тексте. Она предсказывает типы фразовых составляющих, включая прилагательные, наречия и союзы, и предназначена для разметки последовательностей в задачах chunking. Модель построена на эмбеддингах Flair и архитектуре LSTM-CRF, обучена на CoNLL-2000; заявленный F1 на этом наборе данных — 96,48. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

vishnun/codenlbert-tiny — небольшая модель классификации текста на базе BERT, дообученная разработчиком vishnun для различения фрагментов кода и естественного языка. Она рассчитана на автоматическую классификацию текстовых последовательностей, например при разборе смешанного содержимого или извлечении кода из текста и документов. Модель содержит 4,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст с контекстом до 512 токенов. В README приведены результаты обучения: точность на проверочной выборке около 99,7%; эти показатели относятся к указанному набору данных CodevsNL и не гарантируют такое же качество на других типах текстов. Модель распространяется в формате PyTorch по лицензии MIT.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-NVFP4 — мультимодальная модель для задач image-text-to-text, разработанная Solstice-AI на основе экспериментальной модели DeepSeek-V4-Flash-Vision-Exp от DeepSeek. Она предназначена для анализа изображений и текста, визуального контроля качества, распознавания объектов и текста на изображениях, а также текстовой генерации и многошагового рассуждения в сценариях, требующих большого контекста. Модель имеет архитектуру MoE с 305 млрд параметров, 256 маршрутизируемыми экспертами и примерно 13 млрд активируемых параметров на токен; заявлено 43 слоя. Контекстное окно составляет 1 048 576 токенов, используется native YaRN. Зрительная часть включает 32-слойный Vision Transformer и работает в формате BF16. Эксперты квантизированы в SafeTensors NVFP4: W4A4, group size 16, с block-scale calibration. Ключевая особенность — bit-exact транскодирование MXFP4 в NVFP4 без заявленной потери точности. Модель оптимизирована для NVIDIA Blackwell, включая B200, GB200, DGX Spark и RTX 5090, а также для vLLM и TensorRT-LLM. Согласно README, к сильным сторонам относятся сохранение качества базовой модели на GSM8K, тестах извлечения данных из длинного контекста и мультимодальном visual question answering; для vision QA заявлены точное совпадение ответов и время до первого токена менее 50 мс. Ограничения связаны с экспериментальным статусом, специализированной поддержкой оборудования NVIDIA Blackwell и зависимостью от совместимых inference-движков. Модель распространяется по лицензии MIT; упаковка и сопровождение выполнены Solstice-AI, а квантизационный pipeline создан с использованием NVIDIA TensorRT ModelOpt.

onnx-community/dictabert-ner-ONNX — ONNX-версия модели DictaBERT, разработанной Shaltiel Shmidman, Avi Shmidman и Moshe Koppel. Это дообученная модель архитектуры BERT-base для распознавания именованных сущностей в современном иврите. Модель предназначена для извлечения сущностей из текстов на иврите, включая людей, географические объекты, даты и временные выражения, а также некоторые титулы и другие категории. Она может использоваться в задачах анализа текста, поиска информации, структурирования документов и построения систем обработки естественного языка. В README приведён пример применения через пайплайн распознавания сущностей Transformers с агрегацией фрагментов токенов. Известно, что модель поддерживает иврит и основана на BERT-base; сведения о точном размере, длине контекста, используемых данных обучения и дополнительных модальностях не указаны. Модель специализирована для NER и не предназначена как универсальная генеративная языковая модель. К ограничениям относятся зависимость качества от домена и текста, а также отсутствие в README количественных метрик и подробного описания набора меток. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0), предусматривающая указание авторства.

whr778/gliner2-base-v1-docee — модель извлечения информации, дообученная на базе fastino/gliner2-base-v1 для извлечения событий из документов в наборе DocEE. Она предназначена для разметки сущностей и классификации документа, связанной с извлечением событий; README также относит к задачам семейства извлечение отношений и событий. Модель работает с текстом через библиотеку gliner2. Данные обучения и оценки — англоязычные; размер модели и длина контекста в предоставленных источниках не приведены. На слепом тесте классификация показала F1 0,993–0,996, а извлечение сущностей — 0,333–0,539 в зависимости от строгого или смягчённого критерия. Модель опубликована под лицензией other; условия лицензии следует проверять в карточке репозитория перед использованием.

Immerwinter/google-bert-privacy-policy-content-contact — немецкоязычная модель классификации текста, созданная на основе google-bert/bert-base-german-cased. По карточке она предназначена для анализа политик конфиденциальности и отнесения текста к темам, включая сведения о контактах; перечислены также аудитория, контроль, удаление данных, правовое основание, обработка, цели, хранение, безопасность и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецкоязычных текстов. Доступны форматы Safetensors и ONNX. Лицензия — Apache-2.0. Карточка содержит заголовок «English version», однако метаданные указывают немецкий язык модели, поэтому поддержку английского по имеющимся данным подтвердить нельзя.

KLOCR — модель для извлечения текста из изображений, основанная на архитектуре VisionEncoderDecoder. Это дообучение корейской модели TrOCR team-lucid/trocr-small-korean. Модель предназначена для распознавания текста на изображениях. В метаданных указаны английский и корейский языки; карточка не содержит дополнительных сведений о размере, контексте или конкретных сценариях распознавания. Распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение на тех же условиях.

korean_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для эффективного распознавания корейского текста и может использоваться как модуль распознавания в конвейере PP-OCRv5 вместе с обнаружением текста и, при необходимости, коррекцией ориентации и геометрии изображения. Модель принимает изображение строки и выдаёт распознанный текст. В README приведена точность 88,0% на корейском наборе данных; строка считалась ошибочной при любой неверной букве или знаке препинания. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Метаданные также отмечают английский и китайский языки, однако README описывает назначение модели как распознавание корейского.

ersanbil разработившая модель ersanbil/kvkk-pii-ner предназначена для выявления персональных данных в турецком тексте в рамках соответствия KVKK. Это дообученная для BIO-разметки токенов модель BERT на основе dbmdz/bert-base-turkish-cased; она помечает имена людей, адреса, медицинские данные и специальные категории KVKK. Модель рассчитана на поиск сведений в свободном тексте, которые могут пропускать регулярные выражения, и используется как второй уровень гибридного конвейера kvkk-pii. Размер — 137,8 млн параметров, контекст — до 512 токенов; вход и выход представлены текстом с метками сущностей. В карточке сообщается о пятифолдовой перекрёстной проверке со средним F1 98,86% ± 0,19%. Модель обучена на синтетических данных; категория KVKK_SPECIAL представлена ограниченно, названия городов иногда ошибочно размечаются как имена людей, а полнота выявления медицинских сведений ниже на произвольном тексте, чем на структурированных формах. Указанная лицензия — Apache-2.0.

LENU_CZ — модель классификации текста, разработанная GLEIF и Sociovestix Labs совместно для определения кода правовой формы организации (ELF) по её названию в чешской юрисдикции. Она предназначена для извлечения структурированных сведений о правовой форме из неструктурированных названий юридических лиц, например при проверке и сверке данных организаций. Модель основана на многоязычной uncased-версии BERT и дообучена на чешских юридических наименованиях и кодах ELF из данных системы Global Legal Entity Identifier. Архитектура — BERT для классификации последовательностей; размер — 194,6 млн параметров, максимальный контекст — 512 токенов. Модель выдаёт оценку класса правовой формы, соответствующего стандарту ISO 20275. Модель рассчитана на чешские юридические лица и специализированную классификацию правовых форм. Рекомендации с низкой оценкой следует проверять вручную. Лицензия — Creative Commons CC0.

Модель разработана FAIR Data Innovations Hub при California Medical Innovations Institute для извлечения метаданных из текста научных конференционных постеров. Она преобразует исходный текст постера в структурированный JSON по схеме poster-json-schema на основе DataCite, дополненной сведениями о конференции, разделами содержания и подписями к рисункам и таблицам. Модель служит основой библиотеки poster2json и ориентирована на подготовку постеров к поиску, доступу, совместному использованию и повторному использованию данных. Это дообученная dense-модель семейства Llama 3.1 на базе meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Принимает текст и генерирует текст с JSON-метаданными; карточка указывает английский язык. В проверке на 10 вручную размеченных постерах заявлены 100% прохождения и метрики Word Capture 0,96, ROUGE-L 0,89 и Number Capture 0,93; небольшая выборка не гарантирует таких же результатов на других документах. Для запуска рекомендуются NVIDIA GPU с не менее чем 16 ГБ видеопамяти и 32 ГБ RAM; поддерживается 8-битная квантизация, а также vLLM и другие средства оптимизации инференса. Лицензия — Llama 3.1.

Longformer-base-4096 — плотная модель семейства Longformer, разработанная Allen Institute for Artificial Intelligence (AI2). Это BERT-подобный трансформер, инициализированный из чекпойнта RoBERTa и предварительно обученный на задаче masked language modeling на длинных документах. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 4096 токенов. Архитектура сочетает скользящее локальное внимание с глобальным вниманием, которое задаётся пользователем в зависимости от задачи. Модель предназначена для анализа длинных текстов и построения специализированных представлений; кодовые примеры и описание механизма внимания приведены в материалах проекта. Поддерживаемый язык — английский. Доступны форматы PyTorch и TensorFlow. Модель подходит как основа для задач понимания длинных документов, но настройка глобального внимания зависит от конкретного сценария. Лицензия — Apache-2.0.

shtoshni/longformer_coreference_ontonotes — модель Longformer-large, дообученная автором репозитория на данных OntoNotes для разрешения кореференции. Она предназначена для анализа документов: связывает упоминания одного и того же объекта или лица в разных частях текста. В README указано, что этот энкодер документов нужно использовать вместе с остальными параметрами модели для выполнения задачи; отдельно он предоставляет извлечения признаков. Модель основана на архитектуре Longformer и содержит 454,1 млн параметров. Максимальная длина контекста — 4098 токенов; формат репозитория — PyTorch. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Longformer-large-4096 — англоязычная предварительно обученная модель-трансформер от Allen Institute for AI (AI2), предназначенная для представления и анализа длинных текстов. В конфигурации — 24 слоя, 1024 скрытых измерения и около 454,1 млн параметров; модель рассчитана на последовательности примерно до 4096 токенов. Механизм внимания сочетает локальное скользящее окно и настраиваемое глобальное внимание, благодаря чему обработка длинных последовательностей масштабируется линейно по их длине. Модель подходит как основа для дообучения под задачи классификации документов, поиска ответов и других задач понимания текста; сама по себе она не является генеративным чат-ботом. Доступны веса PyTorch и TensorFlow. Условия лицензии в использованных источниках не установлены.

MatCha — модель визуального языка на базе Pix2Struct, дообученная на наборе PlotQA-v2. Её разработали Fangyu Liu, Francesco Piccinno и соавторы; в экосистему Hugging Face модель добавил Younes Belkada. Архитектура реализована классом Pix2StructForConditionalGeneration и принимает изображение графика вместе с текстовым вопросом, чтобы сформировать текстовый ответ. Модель предназначена прежде всего для ответов на вопросы по графикам и диаграммам, включая задачи, требующие извлечения и сопоставления числовых значений. В основе MatCha — предварительное обучение для математических рассуждений и восстановления структуры графиков; в карточке сообщается о высоких результатах на бенчмарках PlotQA и ChartQA и улучшении переноса на скриншоты, схемы из учебников и иллюстрации в документах. Карточка советует задавать конкретные вопросы для более стабильных ответов. Репозиторий содержит веса PyTorch. Указана лицензия Apache-2.0. Языковые теги метаданных включают английский, французский, румынский и немецкий; основное назначение карточки связано с PlotQA-v2, поэтому отдельный приоритетный язык не выделен.

ania3000/mmbert-base-oss-morph — дообученная модель для классификации токенов на основе многоязычного энкодера jhu-clsp/mmBERT-base. В метаданных указана архитектура ModernBERT с головой ModernBertForTokenClassification, около 306,9 млн параметров и контекстом до 8192 токенов. Модель предназначена для задач разметки отдельных токенов во входном тексте; назначение разметки и набор меток в карточке не раскрыты. В README приведены результаты оценки: loss 0,4158, accuracy 94,7892% и sentence accuracy 54,4954%; датасет и условия оценки не описаны, поэтому эти показатели нельзя переносить на другие данные. Модель использует формат safetensors и опубликована по лицензии MIT.

Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

Orsta-7B — мультимодальная модель зрения и языка, разработанная командой MiniMax-AI на основе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и дообучена с помощью системы обучения с подкреплением V-Triune на восьми визуальных задачах. Она принимает изображения и текстовые запросы и предназначена для визуальных рассуждений и восприятия: ответов на вопросы по математике и науке, понимания диаграмм и решения головоломок, обнаружения и подсчёта объектов, визуальной локализации и OCR. Контекст составляет до 128 000 токенов; в карточке указан английский язык. Модель распространяется в формате safetensors через Transformers по лицензии MIT.

PP-FormulaNet-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она использует Vary_VIT_B в качестве backbone и обучена на крупном наборе формул; модель можно применять отдельно или в составе конвейера PaddleOCR для обработки документов. Модель преобразует изображение формулы в исходный код LaTeX и предназначена для распознавания простых и сложных формул на английском и китайском языках. В README для неё приведены BLEU 90,36 для английских и 45,78 для китайских формул, а также время инференса на GPU 1976,52 мс; показатели получены на наборах данных UniMERNet и PaddleX. Модель опубликована под лицензией Apache-2.0. Для запуска используется библиотека PaddleOCR; README описывает также конвейер, который может включать классификацию ориентации, выравнивание изображения и обнаружение макета документа.

Модель veronica320/QA-for-Event-Extraction — компонент системы извлечения событий, представленной в статье ACL 2021 «Zero-shot Event Extraction via Transfer Learning: Challenges and Insights». Это модель вопросно-ответного типа на архитектуре RoBERTa-large с 454,1 млн параметров, дообученная на QAMR. Она принимает вопрос и текстовый контекст и извлекает из контекста ответ, например участника события, о котором спрашивает пользователь. Модель предназначена для использования отдельно через Transformers AutoModelForQuestionAnswering или как часть системы извлечения событий из статьи. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

pmercenary/Qwen3-0.6B-JSON-SFT — компактная генеративная языковая модель семейства Qwen3, дообученная методом supervised fine-tuning (SFT). Модель опубликована пользователем pmercenary на Hugging Face и предназначена для генерации текста в диалоговых сценариях, включая задачи, где требуется формирование JSON-ответов. Модель содержит около 507,9 млн параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 40 960 токенов. В метаданных указана задача text-generation и conversational-направленность. Благодаря небольшому размеру модель может быть удобна для локального запуска и прикладных прототипов с ограниченными вычислительными ресурсами. README не содержит подробных сведений о данных обучения, результатах оценки, точной архитектуре, поддерживаемых языках, разработчике или лицензии. Перед использованием в критически важных приложениях необходимы собственное тестирование качества и проверка условий распространения.

JeongMinMin дообучил компактную плотную языковую модель Qwen3 с 507,9 млн параметров на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель предназначена для генерации текста в формате JSON; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. В базовой модели заявлено извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний, однако README не уточняет, как именно этот сценарий изменён в данном дообучении. Модель принимает текст и генерирует текст. Указан контекст длиной до 40 960 токенов; для файлов используются safetensors. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает об оценках качества или известных ограничениях.

yeeun2/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT с использованием Unsloth и библиотеки TRL. В карточке указано около 507,9 млн параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста в формате JSON; базовая модель настроена на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Подходит для структурирования таких протоколов и создания JSON-выводов на основе текстовых запросов. Метаданные отмечают разговорный режим и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык, а назначение базовой модели связано с корейскими протоколами. Распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты извлечения следует проверять на соответствие исходному протоколу и требуемой JSON-схеме.

evsinlb/Qwen3.8-Flash-Next-oQ4e-fp16-mtp — это 4-битная MLX-квантизированная версия Qwen3.8-Flash-Next, разработанной командой Qwen. Сборка подготовлена с использованием oQ/oMLX и предназначена для запуска на Apple Silicon, прежде всего M1 и M2. Модель относится к архитектуре qwen4_exp и поддерживает генерацию текста, а также встроенные компоненты для работы с изображениями. Модель использует MoE-архитектуру с 512 экспертами и маршрутизацией top-10, 48 слоями и гибридом линейного и полноформатного внимания. В ней присутствует таблица PLE n-грамм объёмом 51,2 млрд параметров, Lightning MTP-голова, 4-битные веса с отдельными 5-битными улучшениями для чувствительных тензоров и контекст до 262 144 токенов. Размер модели на диске составляет около 99,82 GiB в 21 шарде; компоненты vision и MTP сохранены. Сильная сторона сборки — обработка длинных документов: она подходит для пакетного суммирования, извлечения данных и одноразового анализа больших текстов. На M2 Ultra заявлена высокая скорость предварительной обработки, около 525 токенов в секунду при контексте 8K, тогда как генерация выполняется примерно со скоростью 23–25 токенов в секунду. Ограничениями являются очень большой объём памяти, зависимость производительности от режима размещения PLE-таблицы и аппаратной платформы, а также сравнительно невысокая скорость декодирования для интерактивных сценариев. Модель распространяется по лицензии Apache 2.0. Формат — MLX safetensors; для запуска требуется совместимое окружение oMLX/MLX и достаточный объём оперативной памяти, поскольку только постоянно резидентная часть занимает около 70 GiB, а полное размещение модели требует примерно 100 GiB.

recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

Это компонент ReLiK Retriever Small, разработанный Sapienza NLP и дообученный на наборе NYT. Он преобразует текстовые запросы в векторные представления для поиска релевантных документов и используется как часть конвейера извлечения информации ReLiK: ретривер находит материалы, а отдельный компонент reader извлекает из них сущности и отношения. Модель основана на BERT, содержит около 40 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для быстрого поиска контекста в сценариях связывания сущностей и извлечения отношений на данных, подобных NYT. Репозиторий содержит веса ретривера; README описывает библиотеку ReLiK для загрузки конвейера. Указанный формат весов — PyTorch. Лицензия в предоставленных данных не приведена.

ResNet-152 Text Detector — модель классификации изображений на базе ResNet-152, предназначенная для быстрого определения, содержит ли изображение разборчивый текст. Её обучили как бинарный классификатор на примерно 140 тысячах изображений из COCO-Text и LLaVAR; доли изображений с текстом и без разборчивого текста в обучающем наборе были примерно равны. Модель подходит для предварительной фильтрации изображений перед OCR и для отбора изображений, содержащих читаемый текст. Она выдаёт класс изображения, а не распознанную текстовую последовательность. В карточке указана лицензия? Нет сведений об условиях использования и заявленных ограничениях.

merve/rfdetr-docvqa-media3-trainval-agree2-medium — дообученная модель обнаружения объектов на базе Roboflow/rf-detr-medium. Она принимает изображения и находит объекты, возвращая их категории и локализацию. По метрикам README модель оценивалась на категориях Chart, Image и Signature; качество различается между категориями, а показатели для малых объектов приведены как −1.0, поэтому применение к ним не подтверждено. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Модель hongccccccc/roberta-abstract-section-classifier — дообученная версия RoBERTa-base для классификации предложений научных аннотаций по пяти риторическим разделам: BACKGROUND, OBJECTIVE, METHODS, RESULTS и CONCLUSIONS. Она использует архитектуру RobertaForSequenceClassification, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель разработана для научных текстов на английском языке, а обучение проводилось на аннотациях PubMed. Модель подходит для автоматической разметки предложений аннотации по их роли, например, при структурировании и анализе научных публикаций. В README сообщается F1 0,92 на отложенной выборке; подробности оценки связаны с работой Wright et al. Модель распространяется по лицензии Apache-2.0.