I.3Извлечение и структурирование данных

DDTdonut-TeresaNoFESTO — модель преобразования изображений в текст на базе архитектуры Donut vision-encoder-decoder. Она дообучена разработчиком репозитория на наборе данных imagefolder и предназначена для задач image-text-to-text, например извлечения текста и структурированных сведений из изображений документов. В README приведено значение loss 0,6469 на оценочном наборе, но не описаны состав данных, методика оценки или конкретный целевой формат вывода. Модель основана на naver-clova-ix/donut-base и распространяется в формате safetensors по лицензии MIT. Карточка не уточняет поддерживаемые языки, размер модели, длину контекста или практические ограничения; применимость и качество для конкретных типов документов следует оценивать на собственных данных.

Это PyTorch-модель распознавания текста docTR CRNN VGG16-BN, созданная Mindee и размещённая rrainn как побайтовая копия официального предварительно обученного чекпойнта. Модель использует сверточный экстрактор признаков VGG16-BN, двунаправленный LSTM-декодер и CTC-декодирование для чтения текста на изображениях отдельных, уже выделенных слов. Лицензия — Apache-2.0. Модель предназначена для OCR-конвейеров: транскрибирования документов, распознавания текста в обрезанных изображениях слов, сравнительного тестирования OCR и инициализации дообучения для конкретного домена. Для обработки целых страниц её нужно сочетать с детектором текста; при использовании docTR соответствующую предобработку и декодирование обеспечивает recognition_predictor. Вход модели имеет форму 3 × 32 × 128 с RGB-каналами. Распознавание ограничено настроенным алфавитом латиницы и французского языка. Качество может снижаться на рукописном, изогнутом или вертикальном тексте, при размытии, низком контрасте и шрифтах, отличающихся от обучающих данных; состав этих данных подробно не раскрыт. Уверенность последовательности не гарантированно откалибрована, поэтому результатам для важных решений требуется проверка человеком и оценка на целевом наборе данных.

Это дообученная модель серии Dynamic Topic Modeling, разработанная Aman Priyanshu на основе Unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации иерархических тем по тексту в формате «область > общая тема > конкретная тема». Модель построена на архитектуре Llama 3.2 с 1,2 млрд параметров и контекстным окном до 131 072 токенов по метаданным. Для обучения использовали 100 000 документов из подвыборки RedPajama-1T с аннотациями тем трёх уровней; в описании обучения указана длина последовательности 2048 токенов. Модель ориентирована на английский язык и работает с текстом, выдавая текстовую классификацию тем. Её можно применять для тематической разметки документов и построения иерархии тем в коллекциях текстов. Карточка приводит значение loss 2,3959, но не содержит сравнительной оценки качества на независимом тестовом наборе. Условия лицензии в предоставленных данных не приведены.

en_ud_L1_combined_trf — англоязычная модель на базе spaCy, предназначенная для морфосинтаксического анализа текста. Она выполняет разметку частей речи и синтаксический разбор зависимостей, используя компоненты tagger и parser; схема охватывает 99 меток. Для версии 1.0.2 требуется spaCy 3.5.3 или новее. В карточке указаны результаты оценки: точность разметки частей речи TAG_ACC — 97,20%, UAS — 93,72% и LAS — 91,70%. Модель подходит для извлечения грамматических признаков и структуры предложений в англоязычных текстах. Данных о размере модели и лицензии в предоставленных источниках нет.

gyr66/Ernie-3.0-base-chinese-finetuned-ner — модель для распознавания именованных сущностей в тексте, построенная на архитектуре ERNIE и имеющая около 144 млн параметров. Она принимает текст и классифицирует токены, что подходит для извлечения сущностей из документов и других текстовых материалов. В метаданных указан контекст до 2048 токенов; модель опубликована в формате safetensors. В README приведены результаты оценки: F1 — 0,6986, точность — 0,6511, полнота — 0,7535, accuracy — 0,9053. Автор сообщает, что модель обучалась с нуля на неизвестном наборе данных, поэтому связь с базовой моделью ERNIE-3.0-base-chinese из названия не подтверждена. Сведения о лицензии и конкретных типах сущностей отсутствуют.

financial_bert — дообученная WhatAboutYou AI модель на архитектуре BERT для распознавания именованных сущностей в финансовых текстах. Она принимает текст и присваивает метки отдельным токенам, выделяя, в частности, годовую выручку, приобретённую, покупающую и продающую компании, а также консалтинговые и юридические фирмы — консультанты по сделке. Модель основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на датасете BUSTER и предназначена для извлечения сущностей из материалов о сделках слияния и поглощения. В README для оценочной выборки приведены F1 0,8245, точность 0,7977 и полнота 0,8532. Доступна в формате safetensors для Transformers; лицензия — Apache-2.0. Английский язык указан в метаданных.

Immerwinter/gbert-large-privacy-policy-content-control — дообученная модель классификации текста на основе немецкоязычной deepset/gbert-large. Она предназначена для отнесения фрагментов текста к темам, связанным с содержанием политик конфиденциальности: аудитория, контактные данные, контроль, удаление, правовое основание, обработка данных, цели, сроки хранения, безопасность и приватность, продажа и передача данных, третьи стороны и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 434,5 млн параметров и принимает текстовые фрагменты длиной до 512 токенов. Модель ориентирована на анализ текстов на немецком языке и может применяться для тематической разметки и сортировки разделов политик конфиденциальности. В репозитории представлены форматы safetensors и ONNX. Лицензия — Apache-2.0.

GeoLM — языковая модель на основе BERT для геопространственного понимания, разработанная авторами GeoLM. Она предварительно обучена на данных OpenStreetMap, WikiData и Wikipedia, а затем дообучена на GeoWebNews для распознавания топонимов в предложениях. Модель принимает английский текст и выделяет в нём названия мест; она предназначена, например, для извлечения географических упоминаний из новостных текстов. Размер модели — 135,5 млн параметров, контекст — до 512 токенов. Карточка не приводит метрик качества и описывает ограничения, связанные с возможными стереотипными или вредными смещениями языковых моделей. Лицензия CC BY-NC 2.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

GLiNER-PII base v1.0 — модель распознавания именованных сущностей для выявления персональных, медицинских и платёжных данных. Она разработана совместно Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который извлекает сущности по переданным при запросе категориям, включая категории без отдельного дообучения. Модель рассчитана на обработку текстов, документов, транскрипций и журналов чатов; распознаёт более 60 подготовленных категорий и позволяет задавать собственные типы сущностей. Модель предназначена для локального обнаружения чувствительных данных, их обезличивания и поддержки процессов конфиденциальности и соответствия требованиям. В сравнении на синтетическом наборе synthetic-multi-pii-ner-v1 для этой версии указаны точность 79,28%, полнота 82,78% и F1 80,99%. В репозитории представлены форматы PyTorch и ONNX; README также описывает ONNX-варианты FP16 и UINT8. Лицензия — Apache-2.0. Это специализированный экстрактор сущностей, а не универсальный генератор текста. Показатели приведены для синтетического набора и не гарантируют такую же точность на реальных данных; перед использованием в критичных сценариях следует проверить качество на целевых текстах. Метаданные и README указывают английский язык, поэтому поддержка других языков не подтверждена.

latin_PP-OCRv3_mobile_rec — модель распознавания строк текста из серии PP-OCRv3_rec, разработанная командой PaddleOCR. Это специализированная латинская версия, дообученная на основе PP-OCRv3_mobile_rec; она принимает изображения строк и возвращает распознанный текст. Модель предназначена для распознавания латинских надписей и может использоваться как модуль распознавания в конвейере OCR вместе с обнаружением текста и другими модулями обработки изображений. Модель рассчитана на латинский алфавит; метаданные также отмечают английский и китайский языки. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Она распознаёт текстовые строки, но сама по себе не выполняет полный цикл OCR: для извлечения текста из произвольного изображения обычно требуется отдельное обнаружение строк. Оценки точности в предоставленном README опущены.

unsloth/LFM2-1.2B — компактная версия семейства LFM2, разработанного Liquid AI и опубликованная Unsloth. Это плотная гибридная языковая модель примерно с 1,2 млрд параметров: 10 блоков коротких свёрток LIV и 6 блоков внимания GQA. Она рассчитана на запуск на периферийных устройствах и подходит для приложений на смартфонах, ноутбуках и других устройствах с CPU, GPU или NPU. Контекст — до 32 768 токенов. Модель предназначена для диалогов, вызова инструментов, извлечения данных, RAG, творческого письма и других узких сценариев; авторы рекомендуют дообучать её под конкретную задачу. В README заявлены ускоренные обучение и генерация, а также результаты сравнительных тестов для моделей сопоставимого размера. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Для знаний, требующих глубокой предметной подготовки, и задач программирования авторы её не рекомендуют. Репозиторий содержит веса safetensors и основан на LiquidAI/LFM2-1.2B; лицензия указана как other, поэтому её условия следует проверить на странице модели.

Dingdust/LFM2.5-230M-heretic — производная версия LFM2.5-230M-Base от Liquid AI, опубликованная как дообученная модель с ослабленным отказом отвечать на запросы. По карточке это компактная текстовая причинная модель семейства LFM2 с 221,2 млн параметров, рассчитанная на генерацию текста и диалоговое применение. README семейства описывает гибридную архитектуру из свёрточных блоков с двойным gating и блоков GQA, а также контекст 32 768 токенов; метаданные репозитория указывают собственный контекст 128 000 токенов, поэтому фактическое значение зависит от конкретной версии и конфигурации. Модель подходит для извлечения данных, коротких диалогов и лёгких локальных агентных сценариев, включая вызов инструментов. В README исходной модели перечислены десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Приведённые в карточке измерения показывают меньше отказов, чем у исходной модели, но это не подтверждает качество ответов для всех типов запросов. Семейство не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other, без более точных условий в предоставленных данных.

LFM2.5-2.6B — компактная текстовая модель Liquid AI для локального запуска и агентных сценариев на устройствах с ограниченными ресурсами. Это дообученная на базе LiquidAI/LFM2.5-2.6B-Base модель семейства LFM2: плотная архитектура Lfm2ForCausalLM с 2,6 млрд параметров, 30 слоями, включая блоки коротких свёрток и GQA. Модель поддерживает контекст до 131 072 токенов и работает с Transformers, vLLM и SGLang; для репозитория указан формат safetensors. Модель предназначена для диалогов, вызова инструментов, многошаговых агентных задач, извлечения данных, RAG и работы с длинным контекстом. В README заявлена многоязычная поддержка 17 языков, включая русский, а также постобучение с обучением с подкреплением в популярных агентных средах. README приводит высокую скорость инференса на отдельных устройствах, но эти показатели зависят от оборудования и условий запуска. Модель не рекомендуется для агентного программирования и задач, требующих обширных знаний. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и документах Liquid AI.

Модель barc0/Llama-3.1-ARC-Potpourri-Transduction-8B — дообученная версия Meta Llama 3.1 8B Instruct, созданная на пяти наборах данных по трансдукции, включая задачи ReARC и задачи с описаниями, сгенерированными GPT-4 и GPT-4o-mini. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров, опубликованная в формате safetensors для библиотеки Transformers; заявленное окно контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и решения задач трансдукции, где требуется преобразовать входные данные в заданный выходной формат. Карточка также отмечает интерфейс вызова инструментов, однако подробные сценарии применения и результаты оценки, кроме значения loss 0,0219 на оценочном наборе, не описаны. Модель распространяется по лицензии Llama 3.1. Карточка не содержит сведений о поддерживаемых естественных языках или конкретных ограничениях качества; как и другие генеративные модели, её ответы требуют проверки, особенно при использовании кода или структурированных преобразований.

LLM-jp-4-VL 9B — мультимодальная модель зрения и языка, разработанная LLM-jp. Она сочетает языковую модель llm-jp/llm-jp-4-8b-thinking на 8,6 млрд параметров, визуальный энкодер SigLIP 2 So400m на 0,4 млрд параметров и двухслойный MLP-проектор; архитектура вдохновлена InternVL3.0. Модель дообучена для работы с изображениями и диалогов на японском и английском языках, а также формирует рассуждение перед итоговым ответом. Модель предназначена для ответов на вопросы по изображениям, понимания документов и диаграмм, мультимодальных задач и текстовых задач на рассуждение. Разработчики сообщают об улучшении относительно бета-версии на некоторых текстовых и сложных задачах понимания диаграмм; качество различается между бенчмарками и задачами. Модель доступна в формате Safetensors и использует лицензию Apache-2.0.

marefa-nlp/marefa-ner — арабоязычная модель распознавания именованных сущностей, разработанная командой Marefa NLP. Она основана на XLM-RoBERTa и дообучена для классификации токенов; число параметров составляет около 658,7 млн, а длина контекста — 514 токенов. Модель предназначена для выделения сущностей в арабском тексте. В README приведены результаты оценки на тестовом наборе из 1959 предложений: для категорий «человек», «место» и «время» указаны F1-оценки около 0,93, 0,89 и 0,87 соответственно. Данные подтверждают применение для NER, но не описывают качество на других категориях или доменах. Модель распространяется в формате PyTorch. Сведения о лицензии в доступных материалах отсутствуют.

Модель khadija69/mdebertaV3_BIES_stem_1K_5 — дообученная версия khadija69/mdebertaV3_BIES_stem_1K_4 для классификации токенов. Она использует архитектуру DeBERTa V2 с головой DebertaV2ForTokenClassification, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса в формате TensorFlow. Модель предназначена для присвоения меток отдельным токенам текста; конкретная схема разметки и область применения в карточке не описаны. В README указаны результаты пятой эпохи: точность 0,6041 на обучающей и 0,5769 на валидационной выборке. Модель распространяется по лицензии MIT.

NlpHUST разработала эту модель для распознавания именованных сущностей во вьетнамском тексте. Это дообученная на наборе VLSP 2018 модель NlpHUST/electra-base-vn на базе ELECTRA с 160,9 млн параметров и контекстом до 512 токенов; веса доступны в форматах PyTorch и Safetensors. Модель размечает сущности типов «персона», «место», «организация» и «прочее», её можно применять через pipeline NER в Transformers. На оценочной выборке VLSP 2018 общий F1 составил 0,9214, а точность — 0,9907. F1 для персон составил 0,9664, мест — 0,9365, организаций — 0,8833; для категории «прочее» результат ниже — 0,6218. Модель лицензирована по MIT. Ограничения качества за пределами указанной выборки и домена в карточке не описаны.

OpenMed разработала OpenMed-NER-ChemicalDetect-BioClinical-108M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная Bio_ClinicalBERT на архитектуре BERT с 135,5 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку для сущностей B-CHEM и I-CHEM. Контекст ограничен 512 токенами. Модель предназначена для извлечения названий химических соединений и веществ из научной литературы, клинических записей и медицинских документов. Её можно применять для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы в фармакологии и построения биомедицинских графов знаний. В README заявлены обучение на BC4CHEMD и F1, precision и recall по 0,94, accuracy 0,98; эти показатели относятся к описанной в карточке оценке и не гарантируют аналогичный результат на других данных. Лицензия — Apache-2.0.

OpenMed-NER-PathologyDetect-TinyMed-82M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученная для классификации токенов модель на архитектуре RoBERTa; в README указана базовая архитектура distilroberta-base. Метаданные сообщают о 95,2 млн параметров и контексте до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типа Disease; обучена на корпусе NCBI Disease. В README приведены результаты на этом наборе: F1 0,86, точность 0,82 и полнота 0,89. Модель подходит для извлечения заболеваний из медицинских записей, научных публикаций и других биомедицинских документов, а также для поиска упоминаний болезней при анализе литературы. Заявленные в README сценарии включают мониторинг нежелательных явлений и построение биомедицинских баз знаний; распознавание сущностей само по себе не выполняет нормализацию понятий или клиническую диагностику. Основной язык карточки — английский. Лицензия — Apache-2.0.

google/pix2struct-chartqa-base — модель Google из семейства Pix2Struct для визуальных вопросов и ответов по диаграммам. Она использует архитектуру «кодировщик изображений — декодер текста» и выдаёт текстовый ответ на вопрос, заданный по изображению. Вариант ChartQA дообучен для работы с диаграммами; базовый Pix2Struct предварительно обучался преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, а также поддерживает ввод переменного разрешения и интеграцию текстового вопроса с изображением. Модель подходит для извлечения фактов из графиков и диаграмм, например для ответов на вопросы о значениях, сравнениях и тенденциях. В карточке указана поддержка английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель специализируется на визуальном понимании диаграмм, поэтому ответы зависят от читаемости изображения и корректной интерпретации его элементов. README не приводит численных характеристик размера модели или длины контекста.

google/pix2struct-infographics-vqa-base — модель семейства Pix2Struct, разработанная Google. Это базовая версия для визуальных вопросов и ответов по инфографике: модель принимает изображение и текстовый вопрос, а затем формирует текстовый ответ. Архитектура — кодировщик изображений и декодер текста Pix2Struct; предварительное обучение включало преобразование скриншотов веб-страниц в упрощённый HTML, а модель адаптирована к задаче visual question answering. Модель предназначена для извлечения ответов из инфографики и других изображений с визуально представленными данными. Pix2Struct использует представление входа с переменным разрешением и интеграцию текстового вопроса с изображением. В карточке указана поддержка английского, французского, румынского и немецкого языков. Доступна под лицензией Apache-2.0. Модель специализируется на визуальных вопросах и ответах и может ошибаться при сложной компоновке, мелком тексте или неоднозначных данных на изображении. README не приводит отдельные количественные оценки качества именно этой версии.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

PP-OCRv6_tiny_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях и используется как модуль обнаружения в конвейере OCR, где распознавание символов выполняет отдельная модель. Модель построена на LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; размер составляет 0,43 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный, и ориентирована на компактное развертывание. В метаданных указаны английский и китайский языки; README описывает поддержку семейства PP-OCRv6 для 48 языков, но не уточняет полный список для этой версии детектора. Репозиторий предназначен для работы с PaddleOCR. Лицензия Apache-2.0. Это детектор текстовых областей, а не самостоятельная система распознавания текста: для получения текста требуется модуль распознавания.

privacy-filter-br — модель BERTimbau, дообученная Lucian Fialho для обнаружения персональных и конфиденциальных данных в текстах на бразильском португальском языке. Это BERT для классификации токенов с разметкой BIOES: модель распознаёт 22 категории, включая имена, CPF, CNPJ, RG, электронную почту, телефоны, адреса, даты и некоторые идентификаторы транзакций. Размер — 136,1 млн параметров, контекст — до 512 токенов; доступны форматы ONNX и Safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения чувствительных фрагментов из документов, чтобы затем их можно было скрыть или удалить. Для обработки реальных документов автор рекомендует применять её вместе с br-pii-guardrail, который объединяет фрагменты токенов и дополняет NER регулярными выражениями и проверками контрольных сумм. В приведённом автором тесте на 30 документах CVM F1 по совпадению областей составляет 0,8536 в среднем для четырёх категорий; для CPF и CNPJ указан F1 1,0, а для имён — 0,7143. Качество зависит от категории и формата документа: точность границ дат в тесте CVM ограничена, а адреса в этом наборе не оценивались. Схема не охватывает некоторые бразильские финансовые идентификаторы, в том числе ключ PIX EVP и ключ NF-e. Для производственной обработки потребуется учитывать эти ограничения и проверять качество на собственных документах.

PubMedBert-PubMed200kRCT — модель классификации текста, дообученная автором репозитория на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext на наборе PubMed200kRCT. Она предназначена для разметки неструктурированных фрагментов текстов рандомизированных контролируемых исследований по пяти категориям: BACKGROUND, CONCLUSIONS, METHODS, OBJECTIVE и RESULTS. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. В README указаны точность 0,8942 и функция потерь 0,2833 на оценочной выборке. Модель подходит для автоматической сегментации и сортировки разделов аннотаций клинических исследований. Лицензия — MIT.

py313-pylingual-v1.3-segmenter — модель на базе RoBERTa, дообученная syssec-utd для классификации токенов и сегментации текста. Она предназначена для разметки последовательностей токенов; карточка связывает обучение с набором syssec-utd/segmentation-py313-pylingual-v2-tokenized. Модель содержит 136,3 млн параметров, использует формат safetensors и имеет контекст длиной 514 токенов. В README приведены результаты оценки на тестовой выборке: точность 0,9985, полнота 0,9980, F1 0,9982 и accuracy 0,9996. В карточке не описаны целевые языки, точная схема сегментации или известные ограничения. Лицензия в предоставленных данных не указана.

sci4ai/Qwen2.5-VL-7B-Instruct-Ablit — мультимодальная модель для диалога и анализа изображений, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель принимает текст и изображения и формирует текстовые ответы; в README также указана возможность анализа видео как характеристика базовой модели. Веса изменены методом abliteration: из текстового декодера удалено одно направление отказа, вычисленное по активациям на вредоносных и безвредных текстовых запросах. Визуальный энкодер не менялся, поэтому авторы сообщают о сохранении возможностей понимания изображений. Модель подходит для визуальных вопросов и ответов, описания изображений и извлечения сведений из документов, однако редактирование может ослабить следование инструкциям. Abliteration не добавляет новых знаний и навыков, а ответственность за безопасное применение лежит на развёртывающей стороне. Лицензия в предоставленных данных не указана.

Это дообученная hungpill модель Qwen3-0.6B-JSON-SFT-GRPO на архитектуре Qwen3 с плотной авторегрессионной языковой моделью Qwen3ForCausalLM. Она предназначена для генерации текста в диалоговом режиме и может применяться для задач, где нужен текстовый ответ в формате JSON. Параметры модели — около 507,9 млн, контекст — до 40 960 токенов. Обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Модель принимает текст и генерирует текст; в метаданных также заявлен интерфейс вызова инструментов. Карточка указывает на дообучение модели NotoriousH2/Qwen3-0.6B-JSON-SFT. Поддержка английского отмечена в метаданных, но подробностей о дополнительных языках и качестве на них карточка не приводит. Лицензия — Apache-2.0.

Модель NotoriousH2/Qwen3-0.6B-JSON-SFT-GRPO — компактная причинная языковая модель семейства Qwen3, дообученная NotoriousH2 на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и, судя по описанию базовой модели, извлечения метаданных, поручений, решений и препятствий из корейских протоколов совещаний с представлением результата в JSON. Модель содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. В карточке указаны английский язык и интерфейс чата. Лицензия — Apache-2.0.