I.3Извлечение и структурирование данных

THemidli разработал Applied NER Stage 3 — компактную модель распознавания именованных сущностей на английском языке. Это двухслойная uncased BERT-модель с архитектурой BertForTokenClassification, дообученная на основе google/bert_uncased_L-2_H-128_A-2. Она содержит около 4,4 млн параметров, принимает текст и поддерживает контекст до 512 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Модель размечает токены в восемь категорий с BIO-кодированием: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT. Её можно применять для извлечения людей, организаций, мест, дат и времени, продуктов, произведений, должностей и денежных сумм из английских текстов, в том числе как лёгкую базовую модель для экспериментов и обработки коротких фрагментов. На тестовой выборке точность по точным границам сущностей составила F1 0,4685, а на 40 вручную размеченных диагностических примерах — 0,4785. Модель обучена на небольшом разнородном наборе данных; слабее распознаёт редкие произведения и продукты, различает компании и продукты по контексту, а также ошибается в точных границах и именах с большим числом субслов. Автор характеризует её как компактную базовую модель, а не готовую систему для защиты персональных данных. Лицензия — Apache-2.0.

judithrosell/BC5CDR_PubMedBERT_NER — модель на архитектуре BERT, дообученная на базе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext для извлечения из биомедицинского текста упоминаний химических веществ и заболеваний с классификацией токенов. Она содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для разметки научных публикаций и других биомедицинских текстов; в карточке приведены результаты оценки: F1 0,98 для класса Chemical и 0,81 для Disease. Репозиторий распространяется под лицензией MIT.

Bespoke-MiniChart-7B — открытая модель для понимания диаграмм, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Это дообученная версия VLM Qwen2.5-VL с 7,1 млрд параметров, которая принимает изображения диаграмм и текстовые вопросы, а отвечает текстом. Основной сценарий — ответы на вопросы по данным, представленным в графиках и диаграммах; модель также сочетает визуальное восприятие с текстовыми рассуждениями. По заявлению разработчиков, модель показывает лучшие результаты среди моделей сопоставимого размера на семи публичных тестах Chart-QA и превосходит некоторые более крупные закрытые модели. В метаданных указаны контекст до 128 000 токенов и поддержка английского языка. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

CeLLaTe-ner-2class-bioformer16l-with-gazetteers-lr_2.103e-5 — модель для классификации токенов, дообученная авторами на базе bioformers/bioformer-16l на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. По названию и датасету она предназначена для распознавания именованных сущностей в текстах о клинических испытаниях; архитектура — BERT с головой классификации токенов, объём — 50,3 млн параметров, контекст — до 1024 токенов. Модель принимает текст и присваивает метки его токенам. В README приведены результаты на оценочной выборке: micro F1 0,7784, precision 0,7699, recall 0,7871 и accuracy 0,9820. Карточка не раскрывает значения двух классов, подробности обучения и использования газеттеров, поэтому эти характеристики нельзя уточнить. Модель опубликована в формате safetensors под лицензией Apache-2.0.

ChartVerse-4B — мультимодальная модель для анализа диаграмм и графиков, разработанная проектом opendatalab/ChartVerse. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct и предназначена для ответов на вопросы по изображениям графиков, включая сложные многошаговые задачи визуального рассуждения. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и принимает изображение вместе с текстовым запросом, выдавая текстовый ответ. Для обучения использованы наборы ChartVerse-SFT-600K и ChartVerse-RL-40K с проверкой ответов на основе фактических данных графиков. В README сообщается о среднем результате 61,9% и сравнении с Qwen3-VL-8B-Thinking; это заявленные авторами показатели. Модель распространяется под лицензией Apache-2.0.

Ryanliii/chinese-admin-approval-name-ner-gold-silver 是 модель распознавания имён людей в заголовках китайских административных утверждений. Разработчик дообучил hfl/chinese-roberta-wwm-ext для разметки токенов с метками O, B-PER и I-PER; архитектура — BERT для классификации токенов, размер — 129,5 млн параметров, контекст — до 512 токенов. Для обучения использовались крупный набор данных с серебряными метками и 2000 вручную размеченных примеров с золотыми метками. Золотые обучающие примеры получили восьмикратный вес, а отложенная часть gold_test не участвовала в обучении и предназначена для оценки на реальных данных. Модель рассчитана на извлечение имён из китайских административных документов; лицензия в предоставленных данных не указана.

Cohere Labs Command A Vision — мультимодальная модель на 112 млрд параметров, разработанная Cohere и Cohere Labs для понимания изображений и диалога по визуальным данным. Она объединяет языковую модель на основе Command A с визуальным энкодером SigLIP2-patch16-512 через мультимодальный адаптер. Модель принимает изображения и текст, а отвечает текстом; поддерживает английский, португальский, итальянский, французский, немецкий и испанский языки. Модель предназначена для анализа изображений в корпоративных сценариях: ответов на вопросы о содержимом и контексте изображения, визуального диалога и извлечения сведений с изображений. Контекст в конфигурации Hugging Face составляет 32K токенов; README указывает поддержку до 128K при соответствующей настройке. Для одного изображения применяется до 12 плиток и дополнительная миниатюра, всего до 3328 визуальных токенов; рекомендуется разрешение до 2048×1536 пикселей. Весам доступна лицензия CC-BY-NC-4.0 с ограничением некоммерческого использования, а также требуется соблюдать политику допустимого использования Cohere Labs. README описывает режимы настройки защитных ограничений и отмечает, что по умолчанию включён contextual mode. Для запуска через Transformers требуется версия библиотеки с необходимыми изменениями из исходного репозитория.

Это модель для распознавания именованных сущностей в тексте о продуктах питания. Она создана дообучением DeBERTa-v3-base от Microsoft и выдаёт метки для отдельных токенов. Модель содержит 211,6 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. В README приведены результаты на оценочной выборке: F1 0,9356, точность 0,9268 и полнота 0,9446. Сведения о составе и разметке обучающих данных, конкретных типах сущностей и ограничениях применения не приведены. Лицензия модели — MIT.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session6, построенная на архитектуре DETR и представленная в формате safetensors. Карточка связывает её с распознаванием элементов документов, однако набор классов и обучающие данные не описаны. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками. В карточке не приведены сведения о точности и сценариях применения, поэтому пригодность для конкретного набора документов следует оценивать отдельно. Лицензия в предоставленных данных не указана.

BlueOrangeDigital разработала эту модель на основе DistilBERT и дообучила её классифицировать пары соседних предложений из английской Википедии: относятся ли они к разным разделам статьи. Её предназначение — находить границы между тематическими фрагментами и разбивать документы на связные части. Модель принимает текстовую пару в формате «правый контекст [SEP] левый контекст» и выдаёт класс классификации. Контекст ограничен 512 токенами; для каждого из двух фрагментов отводится до 255 токенов, а более длинные предложения обрезаются. Обучение проводилось на парах предложений из 40 тысяч статей Википедии; на валидации указаны accuracy 0,85 и F1 0,85. Модель подходит для сегментации англоязычных документов, похожих по структуре на статьи Википедии. Качество на других жанрах и языках не подтверждено, а ограничение контекста может влиять на обработку длинных предложений. Лицензия — Apache-2.0.

Immerwinter/gbert-large-privacy-policy-content-userrights — немецкоязычная модель классификации текста, разработанная на основе deepset/gbert-large и дообученная для анализа содержания политик конфиденциальности. README относит её к анализу раздела UserRights, связанного с правами пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 434,5 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает веса safetensors и формат ONNX; лицензия — Apache-2.0. Модель подходит для выделения и классификации фрагментов политики, описывающих права пользователей. Доступная карточка не раскрывает метки классов, обучающие данные, метрики качества и подробности использования; немецкий язык указан в метаданных, а пометка «English version» в README не подтверждает поддержку английского моделью.

dalatexcoder/LFM2.5-230M-heretic-v1 — производная модель семейства LFM2.5 от Liquid AI, созданная abliteration дообученной модели LiquidAI/LFM2.5-230M-Base. Это компактная текстовая модель с архитектурой LFM2 dense и 221,2 млн параметров, рассчитанная на запуск на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает контекст в 32 768 токенов, поэтому фактический предел для этой версии требует проверки. Модель предназначена для генерации диалогового текста, извлечения данных и лёгких агентных сценариев с вызовом инструментов. Abliteration заметно снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью. Базовая карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского, испанского, португальского и итальянского языков; данных о специальной русскоязычной настройке нет. README не рекомендует модель для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия обозначена как other, конкретные условия в предоставленных данных не описаны.

Jaywhisker/msc_thesis_nuextract3_stage2_best_food — дообученная версия NuExtract3, созданная для извлечения POI, связанных с едой. Модель предназначена для преобразования входного текста или документов в структурированные данные о таких точках интереса. Обучение проходило в два этапа: сначала на 6092 слабомаркированных примерах, затем на 500 вручную размеченных примерах; лучший результат второго этапа для категории еды был на шаге 500. Модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 и поддерживает контекст до 262144 токенов. В карточке указаны safetensors и лицензия базовой модели NuExtract3 не приведена в предоставленных данных.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в нидерландских клинических текстах. Это дообученная для NER модель CLTL/MedRoBERTa.nl на архитектуре RoBERTa с 153,2 млн параметров; она размечает токены тегами BIO: O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий заболеваний из клинических записей и документов, в том числе длинных документов с обработкой перекрывающихся фрагментов. Для совпадения с оценками авторов при инференсе следует воспроизводить предварительную токенизацию обучающих данных и выравнивать смещения токенов; обычный запуск на сыром тексте может давать отличающиеся границы сущностей, особенно около пунктуации. Контекст — 514 токенов. На тестовом наборе MultiClinNER для нидерландского языка строгий F1 составил 0,5273, а символьный F1 — 0,6623. Авторы не оценивали возможные смещения модели. Лицензия — CC BY 4.0.

Модель bishaldpande/Ner-xlm-roberta-base — модель распознавания именованных сущностей в тексте на непальском языке, созданная дообучением XLM-RoBERTa Base на датасете Everest NER. Она подходит для извлечения и разметки сущностей в непальских текстах. Модель построена на архитектуре XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Многоязычная базовая модель поддерживает более 100 языков, однако это дообучение предназначено для NER на непальском языке. Веса доступны в форматах PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Saggarwal/NESBERT — дообученная модель DistilBERT для классификации токенов, опубликованная в формате Safetensors. Она предназначена для присвоения меток отдельным токенам текста; карточка не раскрывает конкретную схему меток или прикладную задачу. Модель основана на distilbert/distilbert-base-uncased, рассчитана на английский язык и контекст до 512 токенов. В карточке приведены результаты оценки: F1 и precision/recall 0,9986, accuracy 0,9995; набор данных указан как None, поэтому эти показатели нельзя уверенно интерпретировать без сведений о задаче и выборке. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-BioMed-109M — модель на базе BERT, дообученную для распознавания анатомических сущностей в биомедицинских текстах. Она присваивает токенам BIO-метки B-Anatomy и I-Anatomy, чтобы выделять анатомические структуры и части тела в клинических документах и научной литературе. Модель предназначена для извлечения анатомических упоминаний при анализе медицинских записей, обработке публикаций и построении баз знаний. В карточке указаны 136,7 млн параметров, контекст до 512 токенов и F1 0,86 на наборе ANATOMY. Для работы требуется токенизировать текст и сгруппировать предсказания токенов в сущности; максимальная длина и разбиение длинных текстов могут влиять на результаты. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания химических сущностей в биомедицинских текстах. Это дообученная модель семейства ModernBERT с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров; она принимает текст и возвращает BIO-разметку токенов. Модель обучена на корпусе BC4CHEMD и распознаёт химические вещества и соединения, отмечая их тегами B-CHEM и I-CHEM. Контекст составляет до 8192 токенов. Модель предназначена для извлечения названий химических соединений и лекарств из научных публикаций, клинических записей и медицинских документов. Эти данные можно использовать для поиска упоминаний препаратов, анализа литературы и построения биомедицинских баз знаний. Карточка сообщает о F1 0,94 на BC4CHEMD, но не приводит подробностей независимой проверки на иных корпусах и типах текстов. Поддерживается английский язык. Лицензия Apache-2.0.

OpenMed-NER-ChemicalDetect-ModernMed-149M — дообученная OpenMed модель семейства ModernBERT для распознавания химических сущностей в биомедицинских текстах. Она выполняет токен-классификацию и выделяет упоминания соединений и веществ тегами B-CHEM и I-CHEM. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения химических названий из научных публикаций, клинических записей и других медицинских документов. Возможные сценарии включают извлечение лекарств из историй пациентов, поиск сведений о химических веществах в литературе и подготовку данных для анализа взаимодействий и построения биомедицинских графов знаний. В карточке заявлены F1 0,92, точность 0,91 и полнота 0,93 на BC4CHEMD; результаты зависят от текста и сценария применения. Обучение указано на корпусе BC4CHEMD. Модель рассчитана на английский язык, доступна в формате Safetensors и интегрируется с Transformers. Лицензия — Apache-2.0.

OpenMed-NER-ChemicalDetect-MultiMed-335M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер архитектуры BERT с примерно 433,9 млн параметров и контекстом до 512 токенов; модель принимает токенизированный текст и присваивает токенам BIO-метки B-CHEM и I-CHEM. В карточке указано обучение на наборе BC4CHEMD, содержащем аннотации химических упоминаний в биомедицинской литературе. Модель предназначена для извлечения химических соединений и веществ из научных публикаций и клинических документов, например для поиска лекарств в записях пациентов, мониторинга нежелательных явлений и поддержки анализа литературы для разработки препаратов. Карточка сообщает F1 0,95, точность 0,94 и полноту 0,95 на BC4CHEMD; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-NER-ChemicalDetect-SuperMedical-125M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная RoBERTa-base с архитектурой RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает токенизированный текст. Она присваивает токенам BIO-метки B-CHEM и I-CHEM, выделяя названия химических соединений и веществ. Указанный размер контекста — 514 токенов. Модель предназначена для извлечения химических упоминаний из научных публикаций, медицинских записей и других биомедицинских документов, в том числе для анализа лекарств, мониторинга нежелательных явлений и поиска сведений для разработки лекарств. README сообщает о метриках F1 0,94, precision 0,93, recall 0,94 и accuracy 0,99 на BC4CHEMD, однако подробности валидации не приведены. Карточка указывает лицензию Apache-2.0.

OpenMed-NER-ChemicalDetect-SuperMedical-355M — разработанная OpenMed модель распознавания химических сущностей в биомедицинских текстах. Это дообученная архитектура RoBERTa для классификации токенов: она размечает упоминания химических соединений и веществ BIO-тегами B-CHEM и I-CHEM. Модель обучена на корпусе BC4CHEMD с аннотациями химических сущностей в аннотациях PubMed. Модель предназначена для извлечения химических веществ из научной литературы, клинических записей и медицинских документов, в том числе для поиска упоминаний лекарств, анализа нежелательных явлений и построения биомедицинских баз знаний. README сообщает результаты на BC4CHEMD: F1 0,95, точность 0,94, полнота 0,95 и accuracy 0,99. Репозиторий содержит веса Safetensors; размер модели по метаданным — 454,1 млн параметров, контекст — 514 токенов. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DiseaseDetect-ModernClinical-149M — дообученную модель ModernBERT для распознавания упоминаний заболеваний в биомедицинских текстах. Она классифицирует токены по BIO-меткам B-DISEASE и I-DISEASE, чтобы находить границы названий заболеваний. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. В карточке указана специализация на наборе BC5CDR-Disease с аннотациями заболеваний в аннотациях PubMed. Модель подходит для извлечения упоминаний заболеваний из научной литературы и клинических текстов, а также для последующего анализа медицинских документов. В README приведены F1 0,88, точность 0,87 и полнота 0,89 на BC5CDR-Disease. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она размечает заболевания, а не ставит диагнозы; качество на текстах, отличающихся от обучающих данных, может быть ниже. Хотя README упоминает извлечение лекарств и химических соединений, перечисленные метки модели относятся только к заболеваниям.

OpenMed/OpenMed-NER-DiseaseDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная архитектура BERT для классификации токенов: она присваивает словам BIO-метки B-DISEASE и I-DISEASE и объединяет их в найденные сущности. Модель обучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в научных аннотациях PubMed. Модель подходит для извлечения названий заболеваний из медицинских записей и научной литературы, а также для последующего анализа упоминаний в биомедицинских системах. В README приведены результаты на BC5CDR-Disease: F1 0,9022, точность 0,8890 и полнота 0,9159. По метаданным модель содержит около 433,9 млн параметров, принимает текст с контекстом до 512 токенов и работает с английским языком. Распространяется по лицензии Apache-2.0. Модель выявляет только сущности заболеваний; заявленные в README сценарии вроде обнаружения лекарственных взаимодействий требуют дополнительных моделей или этапов обработки. Её оценки относятся к BC5CDR-Disease и не гарантируют такую же точность на других типах медицинских текстов или языках.

OpenMed/OpenMed-NER-DiseaseDetect-MultiMed-568M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов: он выделяет сущности заболевания метками BIO `B-DISEASE` и `I-DISEASE`. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов; входом служит токенизированный текст, выходом — разметка найденных сущностей. Модель предназначена для извлечения заболеваний из научных публикаций и медицинских документов, включая обработку литературы и биомедицинский текстовый анализ. Она обучена на наборе BC5CDR-Disease и в карточке указаны F1 0,89, точность 0,88 и полнота 0,90. Хотя README заявляет более широкий круг медицинских сценариев, модель размечает только сущности заболеваний; обнаружение лекарств, взаимодействий и нежелательных явлений напрямую не подтверждено. Язык карточки — английский. Лицензия Apache-2.0.

OpenMed-NER-DiseaseDetect-TinyMed-82M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученный трансформер на базе distilroberta-base с архитектурой RoBERTa для классификации токенов; в метаданных указано 95,2 млн параметров и контекст до 514 токенов. Модель обучена на корпусе BC5CDR-Disease и выделяет сущности метками B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий болезней из аннотаций PubMed, медицинских записей и других биомедицинских документов. Такие результаты можно использовать для поиска по медицинской литературе, анализа клинических текстов и построения биомедицинских баз знаний. В README приведены значения F1 0,86, precision 0,84, recall 0,88 и accuracy 0,97 для оценки на BC5CDR-Disease. Модель обрабатывает английский текст и возвращает BIO-разметку сущностей. Она не предназначена для постановки диагноза: качество на других жанрах и языках отдельно не подтверждено. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DNADetect-SnowMed-568M — модель XLM-RoBERTa для распознавания биомедицинских сущностей в тексте. Она выделяет белки, ДНК, РНК, клеточные линии и типы клеток, присваивая токенам BIO-метки. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст до 8 194 токенов. Модель предназначена для извлечения сущностей из научной литературы и медицинских текстов, включая поиск биомедицинских упоминаний и подготовку данных для баз знаний. Она дообучена на корпусе JNLPBA; в карточке указаны F1 0,79, точность 0,75 и полнота 0,84. Заявления карточки о клинической надёжности не заменяют проверку на целевых данных: обучение описано на корпусе научных аннотаций, поэтому качество на медицинских записях может отличаться. Распространяется по лицензии Apache-2.0.

OpenMed разработала специализированную модель распознавания именованных сущностей для геномики и клинических текстов. Это дообученный ModernBERT с архитектурой ModernBertForTokenClassification, 149 млн параметров и контекстом до 8192 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку; карточка описывает распознавание сущностей типа Cell-line-name и указывает датасет GELLUS. Основной язык карточки — английский. Модель предназначена для извлечения упоминаний биомедицинских сущностей из медицинских записей и научной литературы, а также для геномного текстового майнинга и построения баз знаний. В README приведены результаты на GELLUS: F1 0,97, точность 1,00 и полнота 0,95; эти показатели относятся к указанному набору данных. Распространяется под лицензией Apache-2.0.

OpenMed-NER-OncologyDetect-ModernClinical-395M — специализированная модель OpenMed для распознавания именованных сущностей в биомедицинских текстах, дообученная на корпусе BioNLP 2013 CG. Она предназначена для извлечения связанных с онкологией сущностей из научных публикаций и клинических документов, включая гены и продукты генов, виды рака, клетки, ткани, органы, аминокислоты и химические вещества. Модель использует архитектуру ModernBERT для классификации токенов, содержит около 395 млн параметров и принимает токенизированный биомедицинский текст. Контекст — до 8192 токенов; результатом служат метки сущностей в формате BIO. В карточке указаны F1 и точность 0,85, полнота 0,85 и accuracy 0,94 на описанном наборе данных. Модель совместима с Transformers и распространяется по лицензии Apache-2.0. Подходит для поиска онкологических и генетических сущностей в научной литературе и клинических документах, а также для подготовки данных для биомедицинского анализа и построения графов знаний. Качество подтверждено для BioNLP 2013 CG; результаты на других типах документов и клинических сценариях могут отличаться. Это модель извлечения сущностей, а не система для постановки диагноза или принятия лечебных решений.

OpenMed-NER-OncologyDetect-SuperMedical-355M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель архитектуры RoBERTa для token classification, основанная на roberta-large; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. На вход подаётся токенизированный текст, на выходе — BIO-разметка сущностей, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов, в том числе для поиска генетических маркеров и подготовки данных для биомедицинских графов знаний. Она обучена на корпусе BioNLP 2013 CG; в README приведены результаты на этом наборе: F1 0,899, точность 0,893 и полнота 0,906. Эти показатели относятся к указанному корпусу и сами по себе не подтверждают клиническую надёжность на других данных. Модель распространяется по лицензии Apache-2.0.