I.3Извлечение и структурирование данных

OpenMed-NER-ChemicalDetect-BioMed-109M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер на архитектуре BERT с 136,7 млн параметров, основанный на BiomedNLP-BiomedELECTRA-base-uncased-abstract. Модель выполняет токенную классификацию и присваивает токенам метки B-CHEM и I-CHEM; контекст — до 512 токенов. Модель обучена на корпусе BC4CHEMD и предназначена для извлечения названий химических соединений и веществ из научных публикаций, клинических записей и других медицинских документов. Её можно использовать для анализа упоминаний препаратов, мониторинга нежелательных явлений, поиска по биомедицинской литературе и построения графов знаний. README сообщает о F1 0,95 на BC4CHEMD, но не приводит подробностей независимой проверки этих показателей. Модель обрабатывает англоязычный текст и распространяется под лицензией Apache-2.0. Она выдаёт разметку химических сущностей, но не устанавливает взаимодействия препаратов, причинность нежелательных явлений или клиническую значимость найденных упоминаний.

OpenMed разработала ElectraMed-33M — специализированную модель на архитектуре BERT для распознавания химических сущностей в биомедицинских текстах. Она выделяет названия химических соединений и веществ, присваивая токенам BIO-метки B-CHEM и I-CHEM. Модель дообучена на корпусе BC4CHEMD и предназначена для извлечения химических сущностей из научных публикаций, медицинских записей и других биомедицинских документов. Такие результаты можно использовать для поиска упоминаний препаратов, анализа литературы и построения биомедицинских баз знаний. Размер модели — около 40 млн параметров, максимальная длина контекста — 512 токенов; входом служит текст, выходом — разметка токенов. В README заявлены F1 0,92, точность 0,91 и полнота 0,93 на BC4CHEMD. Модель распространяется по лицензии Apache-2.0. Результаты предназначены для выделения химических сущностей и сами по себе не подтверждают клинические выводы или обнаружение лекарственных взаимодействий. README называет базовую архитектуру e5-small-v2, тогда как метаданные указывают семейство BERT; точная связь с конкретным базовым репозиторием не подтверждена.

OpenMed разработала OpenMed-NER-DiseaseDetect-BioClinical-108M — модель на базе Bio_ClinicalBERT, дообученную для распознавания названий заболеваний в биомедицинских текстах. Она выполняет разметку токенов тегами B-DISEASE и I-DISEASE и рассчитана на работу с клиническими записями, медицинскими документами и научными публикациями. Модель использует архитектуру BERT, содержит 135,5 млн параметров и принимает токенизированный текст; длина контекста составляет до 512 токенов. Модель обучена на наборе BC5CDR-Disease. В README заявлены F1 0,90, точность 0,89 и полнота 0,91; эти показатели относятся к описанной в карточке оценке и не гарантируют таких же результатов на других данных. Модель ориентирована на англоязычные биомедицинские тексты. Она может помогать извлекать упоминания заболеваний для поиска по медицинским записям, анализа литературы и биомедицинской разметки, но сама по себе не ставит диагноз и не заменяет клиническую проверку. Лицензия — Apache-2.0.

OpenMed-NER-DiseaseDetect-ElectraMed-109M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученная модель на основе архитектуры BERT для классификации токенов; в README базовая архитектура названа e5-base-v2. Модель обучена на наборе BC5CDR-Disease и помечает сущности тегами B-DISEASE и I-DISEASE. По метаданным, размер модели составляет 136,7 млн параметров, максимальный контекст — 512 токенов; вход — токенизированный текст, выход — BIO-разметка сущностей. Указан английский язык. Модель предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других биомедицинских документов, например для поиска по литературе, анализа медицинских текстов и построения баз знаний. В README приведены F1 0,87, точность 0,85, полнота 0,88 и accuracy 0,97 для BC5CDR-Disease; эти показатели относятся к описанному там набору данных. Модель доступна под лицензией Apache-2.0.

OpenMed-NER-DiseaseDetect-ElectraMed-33M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученный трансформер для задачи разметки токенов: модель присваивает словам BIO-метки B-DISEASE и I-DISEASE и тем самым выделяет названия болезней. В README указана базовая архитектура e5-small-v2; метаданные описывают архитектуру как BERT для классификации токенов, содержат размер 40 млн параметров и контекст 512 токенов. Модель предназначена для извлечения заболеваний из научных публикаций, медицинских записей и других биомедицинских документов, в том числе для поиска по литературе и аналитики медицинских текстов. Она обучена на наборе BC5CDR_DISEASE; в README приведены F1 0,82, точность 0,79 и полнота 0,85. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-DiseaseDetect-ModernMed-395M — дообученная OpenMed модель для распознавания названий заболеваний в биомедицинских текстах. Она основана на ModernBERT-large и решает задачу токен-классификации: каждому фрагменту текста присваивается BIO-метка B-DISEASE или I-DISEASE. Модель содержит около 395 млн параметров, работает с текстом и поддерживает контекст до 8192 токенов. Модель обучена на наборе BC5CDR-Disease, включающем аннотации заболеваний в аннотациях статей PubMed. Она предназначена для извлечения упоминаний болезней из медицинских записей и научной литературы, а также для биомедицинского поиска и анализа. В карточке приведены показатели на BC5CDR: F1 0,88, точность 0,87 и полнота 0,89. Это распознаватель сущностей, поэтому он сам по себе не устанавливает диагноз и не извлекает лекарства или химические соединения. Распространяется по лицензии Apache-2.0.

OpenMed-NER-DiseaseDetect-SnowMed-568M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная модель классификации токенов на архитектуре XLM-RoBERTa, содержащая около 658,7 млн параметров и принимающая токенизированный текст. В карточке указана базовая архитектура snowflake-arctic-embed-l-v2.0; метаданные отдельно указывают XLM-RoBERTa. Модель обучена на наборе BC5CDR-Disease и предсказывает BIO-метки B-DISEASE и I-DISEASE. Её можно применять для извлечения названий болезней из научных публикаций, медицинских записей и других биомедицинских документов, а также как компонент систем поиска и анализа медицинских сведений. Для набора BC5CDR в карточке приведены F1 0,87, точность 0,86 и полнота 0,89. Контекст модели — до 8194 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Результаты на BC5CDR не гарантируют аналогичного качества на клинических записях или текстах из других областей; модель распознаёт упоминания заболеваний, а не ставит диагнозы.

OpenMed разработала OpenMed-NER-PathologyDetect-BioClinical-108M — модель распознавания заболеваний в биомедицинских текстах. Это дообученная Bio_ClinicalBERT с архитектурой BERT для классификации токенов: она помечает упоминания заболеваний тегами B-Disease и I-Disease в текстах медицинских документов и научных публикаций. Модель обучена на корпусе NCBI Disease и рассчитана на английский язык; размер составляет 135,5 млн параметров, контекст — до 512 токенов. Модель подходит для извлечения названий заболеваний из клинических записей и биомедицинской литературы, а также для анализа медицинских текстов и построения баз знаний. В README приведены показатели на NCBI Disease: F1 0,88, точность 0,86 и полнота 0,90. Она выдаёт BIO-разметку токенов; нормализация упоминаний до медицинских понятий не заявлена как выход самой модели. Распространяется по лицензии Apache-2.0.

OpenMed-NER-PathologyDetect-PubMed-v2-109M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученная модель архитектуры BERT для классификации токенов на основе BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку: B-Disease и I-Disease. Модель предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов, а также для поиска упоминаний заболеваний в корпусах биомедицинской литературы. В README приведены результаты на наборе NCBI Disease: F1 0,91, точность 0,89 и полнота 0,93. Карточка указывает английский язык и совместимость с экосистемой Hugging Face Transformers. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ElectraMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер с архитектурой BERT для токенной классификации; размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель выделяет сущности BC5CDR-Chem и возвращает разметку в формате BIO с метками B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Её можно использовать для поиска препаратов в клинических записях, фармаконадзора, анализа литературы и подготовки данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR-Chem: F1 0,9594, точность 0,9539 и полнота 0,9649; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PharmaDetect-MultiMed-568M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер XLM-RoBERTa с примерно 658,7 млн параметров, предназначенный для задачи классификации токенов. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM. Модель обучена на наборе BC5CDR_CHEM и предназначена для извлечения названий химических соединений, лекарств и других химических сущностей из научных публикаций и медицинских документов. Это может помогать при анализе литературы, извлечении упоминаний лекарств из записей и подготовке данных для последующей фармаконадзорной аналитики. В README приведены метрики F1 0,95, точность 0,94, полнота 0,96 и accuracy 0,99; они относятся к описанной оценке на BC5CDR_CHEM и не гарантируют такие же результаты на других текстах. Заявленная область контекста — 8194 токена. Карточка указывает английский язык. Модель распространяется под лицензией Apache-2.0. Она распознаёт химические сущности, но сама по себе не устанавливает лекарственные взаимодействия и не заменяет клиническую проверку результатов.

OpenMed-ZeroShot-NER-Pathology-Multi-209M — специализированная модель распознавания упоминаний заболеваний в биомедицинском тексте, опубликованная OpenMed. Она построена на архитектуре GLiNER и дообучена на корпусе NCBI Disease для извлечения названий заболеваний из научной литературы и клинических текстов; модель рассчитана на zero-shot распознавание сущностей с задаваемыми пользователем типами. Модель принимает текст и возвращает найденные сущности с метками. Основной тип сущностей в карточке — DISEASE; результаты могут использоваться для последующей нормализации понятий к MeSH или OMIM, анализа медицинских документов и построения графов знаний. В README приведён F1 0,77 для тестового набора, исключённого из обучения, однако в таблице результатов указаны значения для вариантов с другими названиями, поэтому эти цифры не следует считать однозначной оценкой именно данного чекпойнта. Лицензия — Apache-2.0.

Orsta-32B-0326 — мультимодальная модель для анализа изображений, созданная командой MiniMax-AI путём постобучения Qwen2.5-VL-32B-Instruct с помощью системы обучения с подкреплением V-Triune. Модель принимает изображения и текстовые запросы и предназначена для совместного решения задач визуального рассуждения и распознавания. В карточке заявлены задачи по математике, научным вопросам, графикам и головоломкам, а также обнаружению объектов, визуальной локализации, OCR и подсчёту объектов. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 32 млрд параметров и имеет контекст длиной до 128 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; заявлена поддержка диалога и зрения. Карточка приводит сравнительные результаты на нескольких бенчмарках, но не даёт здесь полного набора таблицы и подробной методики оценки. Лицензия — MIT.

google/paligemma-3b-ft-ocrvqa-896 — модель семейства PaliGemma от Google, дообученная для визуальных вопросов и ответов с чтением текста на изображениях (OCR-VQA). Это компактная модель «изображение-текст»: принимает изображение и текстовый запрос, а в ответ генерирует текст. Архитектура PaliGemma объединяет визуальный энкодер SigLIP и языковую модель Gemma; вариант рассчитан на разрешение изображений 896 пикселей по названию репозитория. Модель предназначена для одношагового взаимодействия: можно задавать вопросы об изображении, включая вопросы, требующие распознавания надписей, и получать текстовый ответ. Она не рассчитана на многоходовый диалог и лучше подходит для специализированных сценариев с чёткими запросами, чем для свободного общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки, а качество снижается на сложных или неоднозначных запросах, тонких языковых нюансах и задачах, требующих здравого смысла. Модель может наследовать смещения обучающих данных; для использования в продуктах необходимы проверка ответов и меры безопасности.

FesarovLab выпустила Parable-Nanbeige4.2-3B-Claude-Fable-5-heretic — диалоговую модель на архитектуре Nanbeige с 3,2 млрд параметров, полученную подавлением отказов в дообученной модели AnkitAI/Parable-Nanbeige4.2-3B-Claude-Fable-5. Для этого применена абляция направлений отказа и ортогонализация весов с помощью Heretic; автор репозитория указывает, что саму базовую модель не обучал. Модель предназначена для генерации ответов, рассуждений и вызова инструментов в диалоговых сценариях. Она принимает текст и выдаёт текст, поддерживает английский и китайский языки, а её заявленное окно контекста составляет 262 144 токена. В проверках автора доля отказов снизилась с 99 до 8 на 100 тестовых запросов, а результаты MMLU и GSM8K остались близки к исходной модели. Сохранены структурированные блоки рассуждений, JSON и формат вызова инструментов. Для работы требуется Transformers 4.57.x и trust_remote_code=True; на Transformers 5.x, согласно README, генерация работает некорректно. Полное окно контекста требует около 45 ГБ памяти KV-кэша, а качество на контекстах длиннее 32 тысяч токенов не оценивалось. Подавление отказов намеренное, поэтому контроль выдачи должен обеспечиваться при развёртывании. Лицензия — Apache 2.0.

pii-layout-synth-v9 — модель на базе encoder-архитектуры ModernBERT, дообученная для классификации токенов. По названию репозитория она, вероятно, предназначена для разметки персональных данных с учётом расположения элементов, однако README не описывает её назначение, схему меток или способ использования. Модель содержит 149 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. В README приведены результаты оценки: F1 0,9912, precision 0,9896, recall 0,9929 и accuracy 0,9985. Датасет назван неизвестным, поэтому эти показатели нельзя независимо интерпретировать или переносить на другие данные. Лицензия — Apache-2.0.

ParkJunSeong разработал и опубликовал модель для обнаружения персональных данных в корейском тексте. Это дообученная версия монологг/koelectra-base-v3-discriminator на архитектуре ELECTRA, предназначенная для токенной классификации и распознавания сущностей: имён, регистрационных номеров жителей, телефонов и других категорий персональных данных. Модель содержит 140,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: F1 95,92, точность 95,46, полнота 96,38 и accuracy 99,69; набор данных и условия оценки не описаны, поэтому эти показатели могут не отражать качество на других данных. Модель рассчитана на корейский язык. Лицензия — Apache-2.0.

google/pix2struct-infographics-vqa-large — модель Google семейства Pix2Struct для визуальных вопросов и ответов по инфографике. Это плотная модель архитектуры Pix2StructForConditionalGeneration: визуальный кодировщик преобразует изображение, а текстовый декодер формирует ответ. Pix2Struct предварительно обучалась на парах изображение–текст, в том числе на разборе замаскированных снимков веб-страниц в упрощённый HTML, и рассчитана на адаптацию к задачам понимания визуально представленного языка. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Её можно применять для извлечения сведений из инфографики, чтения подписей и сопоставления визуальных элементов с вопросом. В карточке указана поддержка английского, французского, румынского и немецкого языков; README также описывает широкие области применения семейства, включая документы, иллюстрации, интерфейсы и обычные изображения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Возможные ошибки распознавания мелкого текста, сложных диаграмм и визуально неоднозначных данных следует учитывать при использовании ответов; отдельные показатели качества для этой версии в карточке не приведены.

google/pix2struct-ocrvqa-base — модель Google семейства Pix2Struct для визуальных вопросов и ответов. Это архитектура кодировщик изображений — декодер текста, дообученная для задачи visual question answering; она принимает изображение и вопрос и формирует текстовый ответ. Модель построена на Pix2StructForConditionalGeneration и использует PyTorch. Pix2Struct предварительно обучали преобразовывать замаскированные снимки веб-страниц в упрощённый HTML; такой подход объединяет сигналы распознавания текста, языкового моделирования и описания изображений. Вариативное разрешение входа помогает обрабатывать визуально насыщенные материалы. Карточка указывает языковую поддержку английского, французского, румынского и немецкого. Лицензия — Apache-2.0.

google/pix2struct-ocrvqa-large — крупная модель семейства Pix2Struct от Google для ответов на вопросы по изображениям. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст и настроенная для задачи visual question answering. Модель принимает изображение и вопрос на естественном языке и генерирует текстовый ответ. Предварительное обучение Pix2Struct использует восстановление упрощённого HTML по скриншотам веб-страниц с замаскированными фрагментами. Такой подход охватывает визуальное понимание текста и элементов страниц и подходит для вопросов о содержимом изображений, включая документы, иллюстрации, интерфейсы и фотографии. В карточке модели указаны английский, французский, румынский и немецкий языки; README описывает семейство шире, но не уточняет языковую поддержку именно этого чекпойнта. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Для запуска нужны изображение и вопрос; конкретные требования к памяти и качество на отдельных языках или типах изображений в карточке не описаны.

Pix2Struct Widget Captioning Large — модель Google для понимания изображений, построенная по схеме «визуальный энкодер — текстовый декодер» и реализованная как Pix2StructForConditionalGeneration. Она принимает изображение и может отвечать на вопросы о его содержимом; семейство Pix2Struct также обучалось для создания подписей к изображениям и разбора визуально представленного языка. Предобучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML, а вход переменного разрешения позволяет работать с разнообразными визуальными материалами. Модель предназначена для визуальных вопросов и ответов, в том числе по изображениям веб-страниц, документов, интерфейсов, иллюстраций и фотографий. В метаданных указаны языки английский, французский, румынский и немецкий, а также мультиязычная поддержка. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает семейство Pix2Struct в целом, поэтому отдельные показатели качества и точные характеристики именно версии Widget Captioning Large здесь не подтверждены.

PP-FormulaNet_plus-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она преобразует формулы на изображениях в исходный код LaTeX и подходит для обработки формул в научных публикациях, учебниках, экзаменационных материалах и других документах. Версия L использует архитектуру Vary_VIT_B, поддерживает китайские формулы и может предсказывать до 2560 токенов, что помогает обрабатывать сложные выражения. В карточке приведены оценки BLEU 90,36 для английских и 45,78 для китайских формул; время инференса на GPU указано как 1976,52 мс. Модель доступна через PaddleOCR и может использоваться как часть конвейера распознавания формул или анализа структуры документов. Лицензия — Apache-2.0. Карточка описывает распознавание английских и китайских формул; языки интерфейса и результаты самой модели ограничены форматом формул LaTeX.

OpenMed Privacy Filter Nemotron MLX 8-bit — квантизированная до 8 бит версия модели OpenMed для обнаружения персональных данных в тексте на устройствах Apple Silicon. Это токен-классификатор архитектуры OpenAI Privacy Filter с 145,4 млн параметров и контекстом до 131 072 токенов; он размечает токены BIOES-метками для 55 категорий персональных данных, после чего MLX-конвейер группирует их в сущности с символьными позициями и оценками. Модель предназначена для выявления и последующей маскировки или деидентификации идентификаторов, контактных, финансовых, медицинских, сетевых и других чувствительных данных. Веса аффинно квантизированы в 8 бит с размером группы 64. README сообщает о размере весов около 1,4 ГБ и ускорении примерно в 1,7 раза относительно BF16-версии; на 10 тестовых примерах совпадение argmax с BF16 составило 100%. Модель рассчитана на MLX и Apple Silicon, включая запуск на CPU с меньшей скоростью. Карточка указывает английский язык и лицензию Apache-2.0. Проверка согласия с BF16 ограничена описанными тестовыми примерами, поэтому эти результаты не гарантируют такую же точность на произвольных данных.

HFpf/pubmedbert-bc5cdr-ner — модель распознавания именованных сущностей в биомедицинских текстах, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract на наборе BC5CDR. Она размечает упоминания химических веществ и заболеваний, например в клинических записях и научных текстах. Модель основана на BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В карточке указан английский язык и лицензия не приведена.

Модель Hutgaecha/Qwen3-0.6B-JSON-SFT-GRPO разработана Hutgaecha как дообученная версия Hutgaecha/Qwen3-0.6B-JSON-SFT. Это компактная плотная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Она предназначена для генерации текста в диалоговом формате, в том числе для задач, связанных с формированием JSON; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекст составляет до 40 960 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Данных о специализированных ограничениях или гарантируемом качестве JSON в карточке нет.

Модель cjber/reddit-ner-place_names — англоязычная модель распознавания именованных сущностей, разработанная дообучением bert-base-uncased. Она предназначена для извлечения названий мест из текста социальных сетей, включая комментарии Reddit; остальные типы сущностей исключены из разметки. Модель обучена на WNUT 17 и 498 дополнительных комментариях Reddit. Архитектура — BERT для классификации токенов, размер — 136,7 млн параметров, контекст — до 512 токенов. Модель рассчитана на английский текст и может распознавать названия мест с учётом контекста, например отличать упоминание города от названия футбольной команды. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Immerwinter/roberta-wechsel-privacy-policy-content-selling — немецкоязычная модель классификации текста на основе RoBERTa, дообученная на базе benjamin/roberta-base-wechsel-german. Она предназначена для анализа текстов политик конфиденциальности и отнесения фрагментов к категории Content, в том числе к теме Selling; в карточке также перечислены категории Audience, Contact, Control, Deletion, LegalBasis, Policy, Processing, Purpose, Retention, Security/Privacy, Sharing, ThirdParty и UserRights. Модель содержит 151,8 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт метки классификации. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

robert-large-ro-re — румынская монолингвальная модель-классификатор для извлечения отношений между сущностями. Её разработали Dragoș Mitruț Vasile, Elena-Simona Apostol, Stefan-Adrian Toma, Adrian Paschke и Ciprian-Octavian Truică; модель дообучена на readerbench/RoBERT-large, архитектура — BERT-large с классификационной головой. В метаданных указаны 441,4 млн параметров и контекст до 512 токенов. Модель принимает предложение с двумя выделенными сущностями и предсказывает одну из 19 направленных меток отношений, которые соответствуют 10 укрупнённым классам SemEval-2010 Task 8. На тестовом наборе задачи для румынского языка указана macro F1 0,844. Обучение проводилось на автоматически переведённом наборе данных с автоматической постпроверкой, а не на эталонной разметке, проверенной людьми; поэтому качество перевода может влиять на результаты. Лицензия — MIT.

stanfordnlp/stanza-eu — модель Stanza для баскского языка (eu), разработанная Stanford NLP. Она предназначена для лингвистического анализа текста: Stanza предоставляет инструменты от обработки исходного текста до синтаксического анализа и распознавания сущностей. В метаданных Hugging Face основная задача указана как классификация токенов; модель распространяется в формате PyTorch. Модель подходит для анализа баскских текстов и извлечения сущностей. Лицензия Apache-2.0 разрешает использование на её условиях. Размер модели и длина контекста в предоставленных сведениях не указаны.

thealper2/t5-small-nl-to-regex — дообученная автором карточки модель google-t5/t5-small для преобразования краткого описания шаблона на английском языке в регулярное выражение. Она основана на архитектуре T5 и содержит 38,5 млн параметров; в метаданных указано ограничение контекста 512 токенов. Модель обучена на 20 824 примерах из корпусов DeepRegex KB13, NL-RX-Synth и NL-RX-Turk. На тестовой выборке точное совпадение составило 66,78%, валидность выражений — 99,76%, функциональная точность — 78,54%; последняя включает как точную эквивалентность, так и приблизительное совпадение на конечном наборе проверочных строк. Результат использует диалект DeepRegex с операторами дополнения `~` и пересечения `&`, поэтому его нужно преобразовать перед применением в Python `re`. Модель заменяет слова в кавычках заполнителями `dog`, `truck`, `ring` и `lake` и не копирует исходные литералы. Проверялись короткие однофразовые описания; поведение на произвольных или многофразовых запросах не тестировалось. Генерируемые выражения не проверяются на катастрофический возврат при поиске. Лицензия — MIT.