I.3Извлечение и структурирование данных

OpenMed-NER-PathologyDetect-EuroMed-212M — дообученная OpenMed модель на базе EuroBERT-210m для распознавания упоминаний заболеваний в биомедицинских текстах. Она использует архитектуру EuroBertForTokenClassification и возвращает токеновые метки BIO: B-Disease и I-Disease. Веса опубликованы в формате safetensors; число параметров — 211,7 млн, длина контекста — до 8192 токенов. Модель предназначена для извлечения названий заболеваний из медицинских документов и научных публикаций. Обучение проводилось на корпусе NCBI Disease. В README указаны F1 и precision 0,66, recall 0,66 и accuracy 0,94; эти результаты указывают, что качество извлечения может быть ограниченным и требует проверки на целевых данных. Хотя карточка также перечисляет сценарии вроде мониторинга нежелательных явлений и анализа медицинских записей, модель предсказывает только сущности заболеваний и сама по себе не извлекает лекарства и не устанавливает лекарственные взаимодействия. Модель рассчитана на англоязычный биомедицинский текст. Она распространяется по лицензии Apache-2.0 и интегрируется с библиотекой Transformers.

OpenMed разработала эту дообученную модель для распознавания упоминаний заболеваний в биомедицинских текстах. Она построена на архитектуре ModernBERT-large и выполняет токен-классификацию, присваивая токенам BIO-метки B-Disease и I-Disease. Модель обучена на корпусе NCBI Disease и предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов. Её можно применять для поиска упоминаний заболеваний в литературе и подготовки данных для биомедицинских систем и графов знаний. В карточке указаны F1 0,86, точность 0,86, полнота 0,87 и accuracy 0,97; эти показатели относятся к оценке на NCBI Disease. Модель принимает текст и выдаёт метки сущностей. Метаданные указывают около 395 млн параметров, контекст до 8192 токенов и поддержку английского языка. Распространяется в формате Safetensors по лицензии Apache-2.0. Распознаёт заболевания; карточка не подтверждает извлечение лекарств или химических соединений этой моделью.

OpenMed-NER-PathologyDetect-MultiMed-335M — разработанная OpenMed модель на базе архитектуры BERT, дообученная для распознавания упоминаний заболеваний в биомедицинском тексте. Она выполняет токенную классификацию с BIO-метками B-Disease и I-Disease и предназначена для извлечения названий болезней из медицинских записей, научных публикаций и других текстов здравоохранения. В качестве обучающего корпуса указан NCBI Disease; модель принимает токенизированный текст и возвращает метки сущностей. По README, F1 на указанной оценке составляет 0,89; контекстное окно — 512 токенов. Модель может использоваться для поиска упоминаний заболеваний в медицинских документах и биомедицинской литературе, а также как компонент конвейеров анализа медицинских текстов. Заявления README о других применениях, таких как поиск лекарственных взаимодействий, сами по себе не подтверждают распознавание соответствующих сущностей: перечисленные метки относятся к заболеваниям. Доступна в формате safetensors для экосистемы Transformers. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-PathologyDetect-SuperMedical-125M — специализированная модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученная RoBERTa-модель для классификации токенов на основе roberta-base; она выделяет границы названий заболеваний метками B-Disease и I-Disease и формирует BIO-разметку. В README указаны 151,8 млн параметров и оценка F1 0,88 на корпусе NCBI Disease. Модель предназначена для извлечения заболеваний из медицинских записей и научных публикаций, а также для биомедицинского поиска и анализа текста. Она принимает текст и выдаёт разметку сущностей. Карточка указывает английский язык и контекст до 514 токенов. Модель распространяется по лицензии Apache-2.0. Хотя README заявляет о пригодности для клинических сценариев, приведённые результаты относятся к конкретному корпусу и сами по себе не подтверждают точность для реальных медицинских решений.

OpenMed разработала OpenMed-NER-PathologyDetect-SuperMedical-355M — специализированную модель для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная RoBERTa для классификации токенов: она размечает фрагменты текста тегами B-Disease и I-Disease в формате BIO. В README указана архитектура roberta-large, а в метаданных — 454,1 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов. Она обучена на корпусе NCBI Disease и поддерживает английский язык. В README приведены показатели на этом наборе данных: F1 0,88, точность 0,87 и полнота 0,88; результаты зависят от данных и способа применения. Модель можно использовать как компонент клинического text mining, анализа литературы и построения биомедицинских баз знаний. Она размечает сущности заболеваний, но сама по себе не выполняет диагностику, нормализацию понятий или извлечение лекарств. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-PubMed-335M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный для классификации токенов трансформер семейства BERT на базе BiomedNLP-BiomedBERT-large-uncased-abstract, обученный на корпусе BC5CDR_CHEM. Модель содержит 433,9 млн параметров и принимает токенизированный текст; контекст ограничен 512 токенами. Модель размечает упоминания химических веществ BIO-метками B-CHEM и I-CHEM. Её можно применять для извлечения лекарств и соединений из PubMed-аннотаций, медицинских записей и других биомедицинских документов, в том числе для последующего мониторинга нежелательных реакций и поиска литературы по лекарствам. В README приведены результаты на BC5CDR-Chem: F1 0,96, точность 0,95 и полнота 0,97. Модель рассчитана на англоязычные биомедицинские тексты. Она распознаёт химические сущности, но сама по себе не устанавливает взаимодействия препаратов и не подтверждает клинические выводы; качество на других типах текстов и языках может отличаться. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-SuperClinical-141M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученный трансформер DeBERTa-v2 для классификации токенов; README указывает базовую архитектуру deberta-v3-small. Модель обучена на BC5CDR_CHEM и выделяет сущности с BIO-метками B-CHEM и I-CHEM. Модель предназначена для извлечения лекарств, химических соединений и терапевтических веществ из медицинских записей и научной литературы, в том числе для мониторинга нежелательных реакций и поиска информации о лекарствах. Метаданные указывают 155 млн параметров, контекст 512 токенов и поддержку английского языка. В README заявлены F1 0,95, точность 0,94 и полнота 0,96; эти оценки относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-TinyMed-65M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученная модель DistilBERT для токенной классификации с примерно 65 млн параметров; она выделяет сущности метками B-CHEM и I-CHEM и возвращает BIO-разметку. Модель обучена на BC5CDR-Chem и рассчитана на англоязычные научные и медицинские тексты; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий химических соединений и лекарств из аннотаций PubMed, медицинских записей и других биомедицинских документов. Такие извлечения могут использоваться при мониторинге нежелательных явлений, поиске лекарств в записях и анализе литературы. В карточке приведены показатели на BC5CDR-Chem: F1 0,95, точность 0,94 и полнота 0,95; эти результаты относятся к указанному набору данных и сами по себе не подтверждают качество на других текстах. Лицензия — Apache-2.0.

OpenMed-PII-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных и чувствительных данных в тексте. Это дообученная на NVIDIA Nemotron-PII модель токенной классификации на базе openmedscience/BioClinical-ModernBERT-base: архитектура ModernBERT, 149 млн параметров, контекст до 8192 токенов. Модель предназначена для выявления 54 типов сущностей, включая имена, адреса, номера документов и медицинских записей, контактные и финансовые данные, чтобы находить чувствительную информацию в клинических заметках и документах, поддерживать обезличивание и подготовку наборов данных. В README приведён результат micro F1 0,9509 на тестовой выборке из 2000 примеров Nemotron-PII. Модель работает с текстом на английском языке и выдаёт метки сущностей для фрагментов текста. Возможны пропуски чувствительных данных, а качество зависит от предметной лексики; особенно сложные категории требуют проверки. README рекомендует использовать модель как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-ClinicalBGE-Large-335M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в испанском тексте. Она размечает токены, выделяя 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для обезличивания клинических заметок, медицинских документов и других испаноязычных материалов, а также для подготовки данных к исследованиям и аудита коллекций документов. В README указана оценка micro F1 0,9162 на испанской части набора AI4Privacy. Для лучшей работы автор рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для переноса найденных сущностей на исходный текст. Модель обучена на испанском подмножестве AI4Privacy PII Masking 400k и основана на BAAI/bge-large-en-v1.5. Несмотря на англоязычную базовую модель, карточка позиционирует дообученный вариант для испанского языка. Возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии; для важных сценариев нужна проверка человеком. Лицензия — Apache-2.0.

OpenMed-PII-SuperClinical-Large-434M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на задаче токенной классификации модель Microsoft DeBERTa V3 Large с архитектурой DeBERTa V2; в метаданных указано 533,8 млн параметров и контекст до 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и сведения из медицинских записей. Модель предназначена для выявления PII в клинических заметках, медицинских документах и текстовых коллекциях, например перед обезличиванием данных, аудитом документов и подготовкой наборов данных. В README приведён результат micro F1 0,9608 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей, а для некоторых категорий оно ниже. Модель рассчитана прежде всего на английский текст и может пропускать чувствительные данные, поэтому результаты в критичных сценариях требуют проверки человеком. Распространяется по лицензии Apache-2.0.

OpenMed-PII-SuperClinical-Small-44M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель DeBERTa V3 Small с архитектурой DeBERTa V2 для токен-классификации. Метаданные указывают 155 млн параметров и контекст до 512 токенов; README заявляет распознавание 54 типов сущностей, включая имена, адреса, номера социального страхования, медицинские записи, контактные, финансовые и сетевые данные. Модель предназначена для разметки чувствительных фрагментов в клинических заметках, медицинских документах и других текстах, чтобы поддерживать обезличивание, аудит и подготовку данных. В README приведён результат micro-F1 0,9539 на тестовой выборке из NVIDIA Nemotron-PII. Качество различается по типам сущностей: для некоторых категорий возможны пропуски, а точность зависит от предметной лексики; автор рекомендует проверку человеком в критичных сценариях. Основной язык обучения — английский. Лицензия — Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Pathology-Base-220M — англоязычная модель GLiNER от OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это вариант примерно на 220 млн параметров, дообученный на корпусе NCBI Disease; в карточке указана оценка F1 0,86 на тестовой выборке, исключённой из обучения. Модель принимает текст и возвращает найденные сущности с метками. Основной тип сущностей — DISEASE; архитектура GLiNER также позволяет задавать пользовательские типы сущностей без дополнительного обучения, но качество для них может быть ниже. Модель предназначена для анализа научной литературы и клинических текстов, включая извлечение заболеваний для последующей нормализации к MeSH или OMIM. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка сообщает о настройке на данных NCBI Disease, но не приводит длину контекста. Результаты на пользовательских типах сущностей зависят от выбранного порога и могут требовать его настройки; оценка на бенчмарке не гарантирует такого же качества на иных данных.

OpenMed-ZeroShot-NER-Pathology-Tiny-60M — специализированная модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе NCBI Disease; размер Tiny-60M указан в названии модели. Модель принимает текст и возвращает найденные сущности с метками, прежде всего DISEASE. Zero-shot режим позволяет задавать типы сущностей при запросе без отдельного дообучения, однако карточка приводит метрику только для распознавания заболеваний. Модель предназначена для извлечения названий заболеваний из научной литературы и клинических текстов, в том числе для последующей нормализации к MeSH или OMIM, поиска когорт и построения графов знаний. В карточке заявлен F1 0,63 на тестовом наборе NCBI Disease и улучшение на 23,4% относительно базовой модели; подробности протокола оценки не приведены. Карточка указывает совместимость с экосистемой Hugging Face Transformers. Лицензия — Apache-2.0.

org-geo-ner — модель распознавания именованных сущностей, разработанная MDPI AG для разбора строк аффилиаций авторов. Она дообучена на SIRIS-Lab/affilgood-affilxlm, модели на архитектуре XLM-RoBERTa, предварительно обученной на строках аффилиаций из OpenAlex. Модель содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель извлекает из адресов организаций и их подразделения, города и страны, используя разметку BIO. Она предназначена для обработки аффилиаций в научных рукописях и метаданных и может выступать первым этапом сопоставления адресов с идентификаторами Research Organization Registry (ROR). Работает с многоязычными строками, но лучше соответствует латинскому письму и англоязычным форматам аффилиаций; для произвольных текстов общего назначения не предназначена. Модель распространяется по лицензии Apache 2.0 и доступна для использования через pipeline token-classification в библиотеке Transformers.

HuggingLil/pii-sensitive-ner-german — модель распознавания персональных данных в немецких текстах, созданная дообучением iiiorg/piiranha-v1-detect-personal-information. Она использует архитектуру DeBERTa-v2 с 306 млн параметров и классифицирует токены, выделяя, среди прочего, религию, этническую принадлежность, сексуальную ориентацию, адреса электронной почты, номера телефонов, даты рождения и номера документов. Модель предназначена для поиска чувствительных данных при проверке и обезличивании текстов с учётом требований GDPR и швейцарского DSG. Контекст ограничен 512 токенами; лицензия в предоставленных данных не указана.

syssec-utd/py315-pylingual-v2-segmenter — модель RoBERTa для классификации токенов, дообученная на syssec-utd/py315-pylingual-v2-mlm на наборе syssec-utd/segmentation-py315-pylingual-v2-tokenized. Она предназначена для сегментации текста с разметкой токенов. В README на оценочном наборе указаны precision 0,9910, recall 0,9917, F1 0,9913 и accuracy 0,9977. Модель содержит 136,3 млн параметров, принимает текстовые последовательности с контекстом до 1026 токенов и распространяется в формате safetensors для Transformers. Сведения о поддерживаемых естественных языках и лицензии в доступных данных отсутствуют.

harpertoken/quiz — модель на базе DistilBERT, дообученная для извлечения ответов из текста по вопросу. Она принимает вопрос и отрывок и указывает фрагмент отрывка, который считает ответом; модель не генерирует ответный текст и не включает поиск по документам или диалоговую логику. Архитектура — DistilBertForQuestionAnswering: шестислойный энкодер с размерностью скрытого слоя 768 и примерно 66 млн параметров. Модель использует SQuAD и рассчитана на англоязычные тексты. Контекст ограничен 512 токенами суммарно для вопроса и отрывка; регистр не различается из-за uncased WordPiece-токенизатора. Модель подходит для извлечения ответа из короткого контекста, например, из абзаца справочного текста. Обучение на англоязычных абзацах Википедии ограничивает перенос на специализированные области, многошаговые вопросы и длинные документы. Лицензия — MIT.

Qwen3OIE-4B — модель на основе Qwen3 с 3,7 млрд параметров, дообученная автором репозитория bratao для абстрактивного извлечения открытых отношений (OpenIE) из текстов на португальском языке. Она формирует в JSON тройки с полями ARG0, V и ARG1, пригодные для извлечения отношений из предложений и последующей обработки в информационных системах. Модель использует архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 40 960 токенов, однако для задачи OpenIE проверялась конфигурация обучения с длиной последовательности 2 048 токенов. Для запуска доступны Transformers и интеграция с библиотекой portuguese-openie; веса в bfloat16 занимают около 8,1 ГБ. В оценке на небольшом наборе из 100 предложений на португальском языке модель показала perfect-match F1 0,3319 и lexical-match F1 0,5459. Эталонные извлечения были синтетическими и выборочно проверялись вручную, поэтому результаты не гарантируют качество на разговорной, диалектной, специализированной или длинной прозе. Тройки могут быть неполными, дублироваться, содержать ошибки или не соответствовать буквальным фрагментам текста; извлечение не является проверкой фактов. Лицензия — Apache-2.0.

sciDeBERTa v2 — англоязычная модель KISTI-AI на архитектуре DeBERTa v2 с 211,6 млн параметров. Её обучили с нуля на корпусе S2ORC объёмом 260 ГБ, содержащем аннотации и основной текст научных статей. Модель предназначена для классификации токенов в научных текстах; в карточке указано, что она достигла лучшего результата на тот момент в задаче распознавания именованных сущностей (NET) на наборе SciERC. Модель принимает текст и выдаёт метки для токенов. Максимальная длина контекста — 512 токенов; формат весов — PyTorch. На её основе была создана MediBioDeBERTa для биомедицинских текстов, однако это отдельная производная модель. Лицензия sciDeBERTa v2 — CC BY 2.0; карточка не описывает дополнительных ограничений и результатов за пределами упомянутой задачи SciERC.

SecureModernBERT-NER — англоязычная модель распознавания именованных сущностей в текстах киберугроз, разработанная автором репозитория на базе answerdotai/ModernBERT-large. Это плотный энкодер ModernBERT с 394,7 млн параметров, дообученный для токенной классификации 22 типов сущностей CTI: от групп угроз, вредоносных программ и CVE до IP-адресов, доменов, URL, хешей и ключей реестра. Модель рассчитана на разметку отчетов об угрозах, извлечение индикаторов компрометации, обогащение баз знаний и подготовку данных для систем поиска с дополненной генерацией. Поддерживает контекст до 8192 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. Обучение проводилось на англоязычных источниках с более чем 502 тысячами размеченных текстовых фрагментов. Валидационный micro-F1 на уровне сущностей составляет 0,8476. Модель возвращает метки и границы сущностей, но не нормализует их, не расшифровывает обфускацию вроде hxxp и не проверяет подлинность индикаторов. Возможны ошибки на редких типах сущностей и неоднозначных либо зашумленных текстах, поэтому результаты стоит проверять и дополнять последующей валидацией. Лицензия — MIT.

stanfordnlp/stanza-vi — модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа вьетнамского текста; метаданные указывают задачу классификации токенов. Stanza предоставляет инструменты для анализа текста от исходной строки до синтаксического разбора и распознавания сущностей. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Сведения о размере модели и длине контекста в карточке отсутствуют.

Stockmark-2-VL-100B-beta — мультимодальная модель компании Stockmark Inc. с 100 млрд параметров, предназначенная прежде всего для понимания японских документов и ответов на вопросы по изображениям. Она построена на архитектуре LLaVA-OneVision: использует Stockmark-2-100B-Instruct-beta как языковую основу и визуальный энкодер SigLIP2. Модель поддерживает диалоговый режим и визуальное рассуждение с цепочкой мыслей. Модель рассчитана на чтение документов, деловых слайдов и диаграмм, а также на задачи визуальных вопросов и ответов общего назначения. В оценках авторов она показала высокие результаты на японских бенчмарках понимания документов и VQA. Карточка перечисляет японский и английский языки; основная специализация — японский. Это beta-версия, которая продолжает проходить улучшения и оценивание. Она может не соблюдать требования к формату ответа и включать в него ход рассуждений; также авторы предупреждают, что модель не полностью откалибрована с точки зрения социальных норм, этики и законодательства. Репозиторий распространяется под лицензией Qwen; конкретные условия следует сверять с текстом лицензии в репозитории.

Table LLaVA 7B — мультимодальный чат-бот для понимания изображений таблиц и выполнения запросов о содержащихся в них данных. Модель разработана для исследования мультимодального понимания таблиц; она следует архитектуре и конвейеру обучения LLaVA-v1.5 и использует визуальный кодировщик CLIP-ViT-L с разрешением 336×336, языковую модель Vicuna-v1.5-7B и двухслойный MLP-соединитель. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает изображение таблицы и текстовый запрос, а отвечает текстом. Она предназначена для вопросов и ответов по таблицам, описания ячеек и понимания структуры таблиц. Обучение включало данные MMTab и исходные наборы LLaVA-1.5; заявлены также результаты на некоторых нетабличных задачах, таких как TextVQA. Код и веса опубликованы в репозитории, однако лицензия в предоставленных данных не указана. Модель рассчитана на исследователей и энтузиастов компьютерного зрения и обработки естественного языка. Она обрабатывает одно изображение таблицы за раз; разрешение 336×336 может ограничивать точность разбора мелких деталей.

google/tapas-tiny-finetuned-wtq — компактная модель TAPAS от Google для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, преобразованную в последовательность текста, и определяет нужные ячейки и способ агрегировать их значения. Модель основана на архитектуре, подобной BERT, содержит 4,4 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предварительно обучалась на английских таблицах и сопутствующих текстах, а затем последовательно дообучалась на SQA, WikiSQL и WikiTable Questions (WTQ). По сравнению с обычной языковой моделью TAPAS учитывает структуру таблицы и поддерживает числовое рассуждение; версия по умолчанию сбрасывает позиционные индексы в каждой ячейке. Подходит для извлечения ответов и значений из англоязычных таблиц. Опубликована по лицензии Apache-2.0. Качество зависит от соответствия таблиц и вопросов обучающим данным; ограничение в 512 токенов сужает размер таблицы, которую можно обработать за один запрос.

TAPEX-large-finetuned-WTQ — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и предварительно обучена как нейронный исполнитель SQL-запросов, чтобы выполнять рассуждения по табличным данным; эта версия дообучена на WikiTableQuestions. Модель предназначена для ответов на сложные вопросы о содержимом таблицы, включая сравнение значений и поиск записей по условиям. Модель использует архитектуру encoder-decoder с примерно 252,8 млн параметров и контекстом до 1024 токенов. На вход подаются таблица и вопрос в текстовом представлении, на выходе генерируется текстовый ответ. Карточка указывает английский язык и лицензию MIT. Результаты могут быть ненадёжными для вопросов, которые нельзя решить по таблице, или при сложных формулировках и несоответствии формата входных данных ожиданиям модели.

Wiebke/trainer_output — дообученная немецкоязычная модель DistilBERT для классификации токенов. Она предназначена для задач разметки отдельных слов и фрагментов текста, например извлечения сущностей, если метки обученной задачи это поддерживают. Модель основана на distilbert/distilbert-base-german-cased, использует архитектуру DistilBertForTokenClassification и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки: loss 0,3315, precision 0,4110, recall 0,4941 и F1 0,4487. Название датасета и схема меток не раскрыты, поэтому конкретный тип разметки подтвердить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

optimum-intel-internal-testing/trocr-small-handwritten — модель TrOCR для оптического распознавания рукописного текста. Она основана на работе Minghao Li и соавторов «TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models» и впервые выпущена в репозитории Microsoft UniLM. Данная версия дообучена на наборе данных IAM. Модель предназначена для OCR отдельных изображений строк текста, в частности рукописных записей. Это encoder-decoder архитектура: Transformer для обработки изображения используется как энкодер, а текстовый Transformer — как авторегрессионный декодер. Энкодер инициализирован весами DeiT, декодер — весами UniLM. Изображение преобразуется в последовательность патчей фиксированного размера 16×16 с абсолютными позиционными эмбеддингами, после чего декодер генерирует распознанный текст. Ключевые характеристики включают малый размер модели, визуально-текстовую модальность и поддержку сценариев распознавания строк рукописного текста. Модель ориентирована на изображения одной текстовой строки; для других типов документов, языков или многострочных изображений качество и применимость README не подтверждает. Лицензия в предоставленных данных не указана.

kevinscaria/ate_tk-instruct-base-def-pos-neg-neut-combined — модель на архитектуре T5, дообученная для извлечения аспектных терминов из отзывов в рамках анализа тональности по аспектам. Для каждого входного отзыва используется инструкция с определением задачи и положительными, отрицательными и нейтральными примерами; модель обучена на отзывах о ноутбуках и ресторанах из набора SemEval 2014. Она предназначена для выделения упоминаемых в отзыве аспектов и может применяться в конвейерах анализа пользовательских отзывов. В метаданных указаны 123,7 млн параметров, формат PyTorch и лицензия MIT. Заявление авторов о лучшем на тот момент результате относится к подзадаче извлечения аспектов; качество на других тематиках и языках карточка не подтверждает.

Auto-Fill-Qwen3-8B-Knowledge — специализированная языковая модель из проекта Auto-Fill, разработанная для заполнения пропусков в таблицах. Она получает таблицу с одной ячейкой, помеченной [MISSING], и возвращает предполагаемое значение в формате JSON. Модель предназначена для пропусков, которые можно восстановить по знаниям о сущностях и их атрибутах либо по закономерностям в самой таблице: например, для названий, кодов и дат. Модель построена на Qwen/Qwen3-8B и дообучена полным параметрическим SFT на 30 000 примерах пар «таблица — значение». Это плотная авторегрессионная модель с 7,6 млрд параметров, контекстом до 40 960 токенов и текстовым вводом и выводом. Она обучалась и оценивалась на англоязычных таблицах, содержащих по одной скрытой ячейке; авторы рекомендуют запускать её как часть ансамбля Auto-Fill, который калибрует уверенность специалистов и может воздержаться от ответа. Модель распространяется по лицензии Apache-2.0. Она может ошибаться с высокой уверенностью, особенно если для восстановления значения нужны знания, отсутствующие в таблице; результаты для других языков и сценариев с несколькими пропусками не подтверждены.