I.3Извлечение и структурирование данных

GolemPII-v1 — модель CordwainerSmith для выявления и классификации персональных данных в тексте на иврите. Она дообучена для токеновой классификации на базе XLM-RoBERTa-base и корпуса GolemGuard: Hebrew Privacy Information Detection Corpus. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для отдельных токенов; максимальная длина контекста — 514 токенов. Модель предназначена для обнаружения и маскирования персональных данных, автоматического обезличивания документов и исследований по обработке иврита. В карточке приведены высокие результаты оценки на тестовых данных, однако они не гарантируют такую же точность на других источниках и типах текста. Репозиторий распространяется по лицензии MIT.

Модель разработана как текстовый компонент ансамбля заявки FinNLP 2026 для распознавания именованных сущностей в греческом тексте. Это BERT с 140,1 млн параметров, дообученный на nlpaueb/bert-base-greek-uncased-v1 и использующий контекст до 512 токенов. Модель размечает имена людей, организаций и местоположений; в составе ансамбля она предназначена прежде всего для извлечения имён людей из финансовых отчётов Афинской фондовой биржи. Для обучения использовано 20 тысяч предложений из греческой части WikiANN — общедоменный текст Википедии с автоматически созданной, серебряной разметкой. На отложенной выборке WikiANN указана микро-F1 0,913; для распознавания людей в финансовых отчётах указана приблизительная F1 0,919. Модель опубликована в формате safetensors под лицензией Apache-2.0.

KARAKURI VL 32B Instruct 2507 — мультимодальная vision-language модель, разработанная KARAKURI Inc. и дообученная на базе Qwen/Qwen2.5-VL-32B-Instruct. Она принимает изображения и текст и предназначена для диалоговых сценариев с визуальными вопросами и ответами. Модель имеет плотную архитектуру Qwen2.5-VL с 32 млрд параметров и контекстом до 128 000 токенов; поддерживает японский и английский языки. Модель подходит для анализа изображений и извлечения сведений из визуального содержимого в ответ на текстовые запросы. Репозиторий содержит веса Safetensors, загрузка предусмотрена через Transformers. Лицензия — Apache 2.0.

Модель 9pinus/macbert-base-chinese-medicine-recognition — дообученная версия bert-base-chinese для распознавания названий лекарств в китайском тексте. Разработчик сообщает, что модель обучалась на наборе из 500 млн единиц данных, включающем более 100 тысяч медицинских статей с разметкой названий препаратов; точность на тестовом наборе, по данным карточки, составляет 92%. Модель построена на архитектуре BERT и содержит 129,5 млн параметров. Модель предназначена для извлечения упоминаний лекарств из медицинских текстов и статей. Она решает задачу классификации токенов, принимает текст и выдаёт метки для его фрагментов. Контекст ограничен 512 токенами, поддерживаемый язык — китайский. Распространяется по лицензии Apache-2.0. Заявленная точность относится к тестовому набору разработчика; карточка не описывает его состав и методику оценки.

Kushagra Wadhwa дообучил Qwen2.5-VL-3B-Instruct для извлечения структурированных данных из рукописных и печатных индийских медицинских рецептов. Модель принимает изображение рецепта и формирует JSON с данными врача и пациента, лекарствами, дозировками, частотой и длительностью приёма, диагнозом и примечаниями. Это мультимодальный трансформер Qwen2.5-VL с 3 млрд параметров, дообученный методом QLoRA; в обучении использовался набор из 1 969 примеров, а для валидации — 246. Модель рассчитана на рецепты на английском и хинди, включая смешанный текст. Репозиторий распространяется по лицензии Apache 2.0. Модель предназначена для оцифровки рецептов и переноса данных в аптечные и медицинские системы. Качество зависит от разборчивости почерка, языкового состава и количества лекарств; названия препаратов могут распознаваться неверно, особенно в сложных рукописных записях. Результаты следует проверять специалисту; модель не предназначена для постановки диагноза, клинических решений или работы с рецептами из других регионов.

BSC-NLP4BIA разработала эту модель для распознавания упоминаний заболеваний в клинических текстах на нидерландском языке. Это дообученная версия UMCU/CardioBERTa.nl_clinical на базе RoBERTa с 153,2 млн параметров, предназначенная для маркировки токенов по схеме BIO: O, B-DISEASE и I-DISEASE. Модель создана для подзадачи MultiClinNER в рамках MultiClinAI shared task. Модель подходит для извлечения названий заболеваний из клинических записей и разметки медицинских текстов для последующего анализа. Контекст составляет 514 токенов; при обработке длинных документов README рекомендует использовать шаг 128. Для воспроизведения опубликованных оценок требуется токенизация, соответствующая обучающей. На тестовых документах MultiClinNER strict F1 составил 0,5675, а символьный F1 — 0,7067. Авторы не оценивали встроенные смещения; результаты и пригодность для конкретного клинического применения требуют проверки. Лицензия — CC BY 4.0.

julieou/my_awesome_wnut_model_lrx2 — дообученная на задаче классификации токенов модель на базе DistilBERT, опубликованная на Hugging Face. Она предназначена для присвоения меток отдельным токенам текста, например для извлечения сущностей или разметки последовательностей. Модель использует архитектуру DistilBertForTokenClassification, работает с текстом и имеет контекст до 512 токенов. В README приведены метрики на оценочном наборе: F1 0,4100, точность 0,6255, полнота 0,3049 и accuracy 0,9449. Датасет и схема меток не описаны, поэтому назначение конкретных меток и качество в иных сценариях установить нельзя. Базовая модель англоязычная, а карточка не подтверждает поддержку других языков. Лицензия — Apache-2.0.

Minibase-NER-Small — компактная языковая модель, разработанная Minibase и дообученная для распознавания именованных сущностей в тексте. Она извлекает имена людей, организаций, географические названия и другие сущности, выдавая их нумерованным списком; типы сущностей в ответе не отмечаются. Модель построена на архитектуре LlamaForCausalLM и содержит 147,8 млн параметров по метаданным. Репозиторий содержит квантизированную версию GGUF Q8_0; контекст составляет 2048 токенов. Карточка сообщает о поддержке английского языка, локальном запуске через llama.cpp и среднем времени ответа 76,6 мс. На описанной в README оценке F1 составил 43,5%, точность — 63%, полнота — 34,3%. Подходит для локального извлечения сущностей из коротких англоязычных текстов и дальнейшего разбора результатов. Ограничения включают пропуски сущностей, нестабильный или повреждённый формат вывода, отсутствие меток типов и ограничение контекста. Лицензия — Apache-2.0.

OpenMed-NER-AnatomyDetect-BigMed-560M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Это дообученная модель XLM-RoBERTa для классификации токенов; она размечает упоминания анатомических структур и частей тела тегами B-Anatomy и I-Anatomy. В README указана базовая архитектура xlm-roberta-large, а метаданные сообщают размер 658,7 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения анатомических упоминаний из клинических записей, медицинской документации и научной литературы, а также для построения систем биомедицинского поиска и анализа. README приводит F1, точность и полноту 0,90, а также accuracy 0,98 на наборе ANATOMY. Заявленная лицензия — Apache-2.0. Модель принимает токенизированный текст и выдаёт BIO-разметку токенов; сведения о поддержке языков в карточке указывают на английский. Указанные в README сценарии вроде поиска лекарственных взаимодействий шире самой задачи модели: она распознаёт только анатомические сущности, поэтому результаты могут зависеть от жанра и качества входного текста.

OpenMed-NER-AnatomyDetect-SuperClinical-184M — модель OpenMed для распознавания анатомических сущностей в биомедицинских и клинических текстах. Это дообученный трансформер DeBERTa, предназначенный для токенной классификации: он помечает фрагменты текста BIO-метками B-Anatomy и I-Anatomy. В метаданных указано 211,6 млн параметров и контекст до 512 токенов. Модель подходит для извлечения названий органов, частей тела и других анатомических структур из медицинских записей и научной литературы, а также для биомедицинского поиска и построения баз знаний. В карточке приведены результаты на корпусе ANATOMY: F1 0,86, точность 0,84 и полнота 0,89. Несмотря на заявления карточки о готовности к производственному применению, качество зависит от текста и домена; метки модели ориентированы на анатомические сущности, а не на лекарства или нежелательные явления. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-SuperClinical-434M — дообученную модель DeBERTa для распознавания анатомических сущностей в биомедицинском тексте. Она принимает токенизированный текст и возвращает BIO-метки для упоминаний анатомических структур и частей тела; поддерживаются метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических сущностей из клинических записей, медицинских документов и научной литературы. Её можно применять для поиска терминов в медицинских текстах, анализа клинической документации и построения биомедицинских баз знаний. В README приведены результаты на наборе ANATOMY: F1 0,9024, точность 0,9040 и полнота 0,9008. Архитектура в README указана как DeBERTa v3 Large, а метаданные классифицируют модель как DeBERTa v2 для классификации токенов; размер составляет 533,8 млн параметров, контекст — до 512 токенов. Основной язык — английский. Лицензия — Apache-2.0. Результаты и область применения описаны для анатомической NER; модель не следует считать универсальным медицинским классификатором или системой для принятия клинических решений.

OpenMed разработала OpenMed-NER-AnatomyDetect-SuperMedical-125M — дообученную модель RoBERTa для распознавания анатомических сущностей в биомедицинском тексте. Она выделяет анатомические структуры и части тела, присваивая токенам BIO-метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения упоминаний органов, частей тела и физиологических систем из клинических записей и научной литературы. Её можно применять для медицинского анализа текста, построения баз знаний и поддержки исследований. Архитектура — RobertaForTokenClassification на базе roberta-base; объём — около 151,8 млн параметров, контекст — 514 токенов. В карточке указаны F1 0,87, точность 0,86 и полнота 0,89 на наборе ANATOMY. Модель принимает токенизированный английский текст и выдаёт разметку сущностей. Лицензия Apache-2.0. Результаты зависят от соответствия текста и терминологии обучающему набору; карточка не подтверждает заявленные сценарии выявления лекарственных взаимодействий и извлечения препаратов как отдельные возможности модели.

OpenMed разработала OpenMed-NER-AnatomyDetect-SuperMedical-355M — дообученную модель RoBERTa для распознавания анатомических сущностей в биомедицинских текстах. Она выделяет названия анатомических структур и частей тела, присваивая токенам метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из медицинских записей, научных публикаций и других документов здравоохранения. Её можно применять для клинического анализа текста, поиска по биомедицинской литературе и построения баз знаний. README сообщает F1, precision и recall на уровне 0,90 и accuracy 0,98 на наборе ANATOMY. Модель основана на архитектуре RoBERTa; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей. Указана лицензия Apache-2.0. Модель обучена на анатомической разметке, поэтому не предназначена для извлечения всех типов медицинских сущностей: например, README описывает метки только для анатомии. Показатели качества приведены для ANATOMY и сами по себе не гарантируют такую же точность на других данных или в клинической практике.

OpenMed-NER-AnatomyDetect-TinyMed-66M — специализированная модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученная версия DistilBERT с архитектурой DistilBertForTokenClassification, примерно на 66 млн параметров; она принимает токенизированный текст и возвращает BIO-разметку сущностей типов B-Anatomy и I-Anatomy. Контекст модели — до 512 токенов. Модель предназначена для извлечения названий органов, частей тела, анатомических структур и физиологических систем из медицинских записей и научной литературы. Её можно применять для клинического анализа текстов, поиска анатомических терминов в публикациях и построения медицинских баз знаний. В README приведены показатели на наборе ANATOMY: F1 0,87, точность 0,87 и полнота 0,88; заявленные сценарии включают и задачи, для которых одного распознавания анатомических сущностей может быть недостаточно, например выявление лекарственных взаимодействий. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DNADetect-MultiMed-335M — модель BERT для распознавания биомедицинских сущностей в тексте. Она выделяет белки, ДНК, РНК, клеточные линии и типы клеток, присваивая токенам BIO-метки. Модель дообучена на корпусе JNLPBA и предназначена для анализа научных публикаций, клинических записей и других биомедицинских текстов. Модель содержит 433,9 млн параметров, принимает токенизированный текст и имеет контекстное окно 512 токенов. README приводит для JNLPBA F1 0,81, точность 0,76 и полноту 0,85. Модель можно интегрировать через библиотеку Transformers; заявленная лицензия — Apache-2.0. Результаты извлечения сущностей могут использоваться для поиска белков и генов в литературе, анализа медицинских записей и построения биомедицинских баз знаний. Однако распознавание сущностей само по себе не подтверждает клинические выводы и зависит от качества и предметного соответствия текста обучающим данным; показатели в README относятся к JNLPBA.

OpenMed-NER-DNADetect-MultiMed-568M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная для token classification модель XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она размечает упоминания белков, ДНК, РНК, клеточных линий и типов клеток BIO-тегами; обучающие данные основаны на корпусе JNLPBA. Модель предназначена для извлечения сущностей из научной биомедицинской литературы и медицинских текстов, включая поиск упоминаний генов и белков, анализ клинических записей и построение биомедицинских баз знаний. В README приведены результаты на JNLPBA: F1 0,8157, точность 0,7758 и полнота 0,8599. Эти показатели относятся к указанному набору данных и сами по себе не подтверждают клиническую пригодность на других текстах. Модель принимает токенизированный текст и выдаёт метки сущностей. В метаданных указан английский язык. Распространяется по лицензии Apache-2.0; для работы описана интеграция с Transformers.

OpenMed/OpenMed-NER-DNADetect-SuperMedical-355M — модель OpenMed для распознавания биомедицинских именованных сущностей. Это дообученная модель на архитектуре RoBERTa для классификации токенов; она принимает текст и возвращает BIO-разметку. Модель выделяет белки, ДНК, РНК, клеточные линии и типы клеток в научной и медицинской литературе. В README заявлены обучение на корпусе JNLPBA и показатели F1 0,8177, точности 0,7716, полноты 0,8697 и accuracy 0,9318. Метаданные указывают 454,1 млн параметров, контекст до 514 токенов и лицензию Apache-2.0. Модель подходит для извлечения биомедицинских сущностей при анализе публикаций и медицинских документов, а также для построения поисковых систем и баз знаний. Заявленные показатели относятся к JNLPBA; качество на иных типах текстов и в клинических сценариях может отличаться. Поддерживается английский язык.

OpenMed разработала OpenMed-NER-DNADetect-TinyMed-82M — дообученную модель RoBERTa для распознавания биомедицинских сущностей в тексте. Она размечает последовательности токенов BIO-тегами и извлекает белки, ДНК, РНК, клеточные линии и типы клеток из научных статей, медицинских записей и других биомедицинских документов. Модель основана на distilroberta-base, имеет около 95,2 млн параметров и контекст до 514 токенов. Она обучена на корпусе JNLPBA с аннотациями биомедицинских сущностей; в карточке указаны F1 0,80, точность 0,75 и полнота 0,85. Подходит для извлечения сущностей и последующего поиска по литературе или построения биомедицинских баз знаний. Модель принимает текст на английском языке и выдаёт метки сущностей для токенов. Показатели из карточки относятся к JNLPBA и не гарантируют аналогичного качества на других типах текстов; модель не следует считать самостоятельным средством клинического принятия решений. Лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-BigMed-278M — разработанная OpenMed и дообученная на корпусе BC2GM модель XLM-RoBERTa для распознавания упоминаний генов и белков в биомедицинском тексте. Она классифицирует токены с BIO-метками B-GENE/PROTEIN и I-GENE/PROTEIN; заявленный размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других текстов, чтобы поддерживать биомедицинский поиск и анализ. В README указаны F1 0,86, точность 0,85 и полнота 0,88 на BC2GM. Модель принимает текст и выдаёт разметку токенов. Карточка указывает лицензию Apache-2.0; обучение и оценка описаны для англоязычного корпуса BC2GM.

OpenMed/OpenMed-NER-OncologyDetect-BigMed-278M — модель распознавания биомедицинских сущностей, разработанная OpenMed и дообученная на корпусе BioNLP 2013 CG для задач онкологии и генетики рака. Это модель XLM-RoBERTa для классификации токенов: она принимает текст и выдаёт BIO-разметку, выделяя гены и продукты генов, рак, химические вещества, ткани, органы и другие биомедицинские сущности. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов; в карточке указан английский язык. Модель подходит для извлечения сущностей из научной литературы и медицинских текстов, включая поиск генетических маркеров и анализ онкологических исследований. В README приведены F1 0,79, точность 0,79, полнота 0,80 и accuracy 0,89 на описанной оценке; эти результаты не гарантируют аналогичного качества на других корпусах или клинических документах. Лицензия — Apache-2.0.

OpenMed-NER-OncologyDetect-BigMed-560M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Она дообучена для задачи NER на корпусе BioNLP 2013 CG и основана на архитектуре XLM-RoBERTa; метаданные указывают 658,7 млн параметров. Модель принимает токенизированный текст и выдаёт метки сущностей в формате BIO, включая гены и их продукты, типы клеток, ткани, органы, опухоли и химические соединения. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов, например для поиска онкологических биомаркеров и построения биомедицинских баз знаний. В README заявлены F1 0,86, точность 0,86 и полнота 0,85 на BioNLP 2013 CG; эти показатели относятся к указанному корпусу и не гарантируют такое же качество на других данных. Контекст ограничен 514 токенами. Модель выпущена под лицензией Apache-2.0.

OpenMed разработала OpenMed-NER-OncologyDetect-BioMed-335M — дообученную модель на архитектуре BERT для распознавания биомедицинских сущностей в текстах по онкологии и генетике рака. Модель обучена на корпусе BioNLP 2013 CG и выделяет сущности, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Она принимает токенизированный текст и возвращает предсказания классов для токенов в формате BIO. Размер модели — около 433,9 млн параметров, длина контекста — 512 токенов; в карточке указан английский язык. Модель предназначена для извлечения сущностей из научной литературы и биомедицинских документов, например для поиска генов и биомаркеров, анализа онкологических исследований и построения биомедицинских графов знаний. В README заявлены F1 0,87, точность 0,85 и полнота 0,88 на целевом корпусе. Эти показатели относятся к описанному набору данных и не гарантируют такую же работу на других типах текстов. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-OncologyDetect-ModernClinical-149M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель ModernBERT для token classification с 149 млн параметров и контекстом до 8192 токенов. Она принимает токенизированный текст и возвращает метки сущностей в формате BIO, включая типы рака, генов и их продуктов, аминокислот, клеток, тканей, органов и химических веществ. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов. Её можно применять для поиска онкологических биомаркеров и генов, анализа литературы по раку и построения биомедицинских баз знаний. В README указаны обучение на BioNLP 2013 CG и F1 0,77, точность 0,78, полнота 0,77 и accuracy 0,92; эти результаты относятся к описанному бенчмарку и не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PathologyDetect-BioMed-109M — специализированная модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная модель семейства BERT на основе BiomedNLP-BiomedELECTRA-base-uncased-abstract; она размечает токены тегами B-Disease и I-Disease и предназначена для извлечения названий болезней из научных публикаций, клинических записей и медицинских документов. Модель решает задачу классификации токенов и совместима с Transformers. В метаданных указаны 136,7 млн параметров и контекст до 512 токенов. В README сообщается о обучении на корпусе NCBI Disease и приводятся метрики F1 0,89, точность 0,86, полнота 0,91 и accuracy 0,98; эти результаты относятся к указанному корпусу и не гарантируют аналогичное качество на других типах текстов. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Она извлекает сущности заболеваний, но не выполняет диагностику, нормализацию понятий или установление лекарственных взаимодействий сама по себе; заявленные сценарии клинического и исследовательского анализа требуют проверки на целевых данных.

OpenMed разработала OpenMed-NER-PharmaDetect-BioMed-335M — модель на основе BiomedNLP-BiomedELECTRA-large-uncased-abstract, дообученная для распознавания химических сущностей в текстах. Она выполняет токенную классификацию и размечает сущности тегами B-CHEM и I-CHEM; архитектура в метаданных указана как BERT для токенной классификации, размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения лекарств, химических соединений и терапевтических веществ из медицинских записей и научной литературы. Такие извлечения можно использовать для мониторинга нежелательных реакций, поиска взаимодействий препаратов, анализа литературы для разработки лекарств и построения биомедицинских графов знаний. В карточке заявлены F1, точность и полнота 0,95, а также accuracy 0,99 на BC5CDR-Chem; эти показатели относятся к указанному набору данных и не гарантируют качество на других текстах. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Карточка указывает английский язык. Репозиторий использует формат safetensors, совместим с Transformers и распространяется по лицензии Apache-2.0. Ограничение: специализация на химических сущностях BC5CDR-Chem означает, что модель не предназначена для распознавания произвольных типов биомедицинских сущностей; предельный контекст составляет 512 токенов.

OpenMed разработала OpenMed-PII-BioClinicalBERT-Base-110M-v1 — англоязычную модель на базе BERT для классификации токенов и выявления персональных и медицинских идентификаторов в тексте. Она дообучена на emilyalsentzer/Bio_ClinicalBERT с использованием набора NVIDIA Nemotron-PII. Модель охватывает 54 типа сущностей, включая имена, адреса, контактные данные, номера документов и медицинские записи; архитектура — BertForTokenClassification, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель подходит для поиска чувствительных данных в клинических записях и документах, подготовки текстовых наборов к исследованию, автоматизированной деидентификации и поддержки аудита приватности. В README указана оценка micro F1 0,9437 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель выпускается под лицензией Apache-2.0. Это вспомогательный инструмент: возможны пропуски чувствительных данных, а качество зависит от предметной области и типа сущности. README указывает, что обучение ориентировано преимущественно на английский; для критически важных сценариев результаты требуют проверки человеком.

OpenMed-PII-BioClinicalModern-Large-395M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токен-классификации версия BioClinical-ModernBERT-large: архитектура ModernBERT, около 394,7 млн параметров, окно контекста 8192 токена. Модель обучена на наборе NVIDIA Nemotron-PII и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, финансовые и контактные данные. Модель предназначена для поиска и последующего удаления или маскирования персональных данных в клинических записях, медицинских документах и корпусах текстов, а также для подготовки данных к исследованиям и аудиту приватности. В README приведён результат micro-F1 0,9579 на тестовой выборке из 2000 примеров; показатели различаются между категориями, а для дат, уровня образования и языка отмечены более сложные случаи. Основной язык — английский. Результаты следует проверять человеком: модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии. Распространяется по лицензии Apache-2.0.

OpenMed-PII-ClinicalE5-Base-109M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских данных в тексте. Это дообученная для токенной классификации модель семейства BERT на базе intfloat/e5-base-v2; в метаданных указано 136,7 млн параметров, контекст — до 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные сведения, идентификаторы и медицинскую информацию. Модель предназначена для выявления чувствительных данных в клинических записях и документах, подготовки текстовых наборов к исследованиям, аудита и поддержки процессов деидентификации и соблюдения требований конфиденциальности. В README приведён результат micro-F1 0,9487 на тестовой выборке NVIDIA Nemotron-PII; показатели зависят от типа сущности и текста. Модель принимает текст и возвращает метки для его токенов. Она обучена преимущественно на английском языке, поэтому её надёжность на других языках не установлена. README предупреждает о возможных пропусках, зависимости качества от предметной области и необходимости проверять результаты человеком в критичных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-ClinicalE5-Large-335M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель BERT на базе intfloat/e5-large-v2 с архитектурой BertForTokenClassification; метаданные указывают 433,9 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для поиска 54 типов чувствительных сущностей, включая имена, адреса, контактные данные, номера медицинских записей, финансовые идентификаторы и сетевые адреса, а также для обезличивания клинических записей и подготовки наборов данных. В README сообщается о micro F1 0,9577 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель можно подключить через pipeline token classification в Transformers и использовать для предварительной проверки документов и аудита коллекций. Она ориентирована прежде всего на английский текст; возможны пропуски PII и снижение качества на специализированной терминологии и отдельных типах сущностей, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0. Модель поддерживает автоматическую разметку токенов, но сама по себе не выполняет редактирование или удаление обнаруженных данных из документа.

OpenMed-PII-French-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных во французском тексте. Это дообученная для токенной классификации архитектура BERT на базе emilyalsentzer/Bio_ClinicalBERT; в метаданных указано 135,5 млн параметров, контекст до 512 токенов и формат safetensors. Модель находит 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные и даты. Модель предназначена для разметки PII в клинических записях, медицинских документах и других французских текстах, чтобы поддерживать обезличивание, подготовку наборов данных и аудит документов. По карточке, на французской части AI4Privacy модель показала Micro F1 0,9381. Распространяется по лицензии Apache-2.0. Карточка рекомендует использовать модель как вспомогательный инструмент с проверкой человеком: возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии и контекста. Она оптимизирована для французского языка и может хуже работать на других языках.