I.3Извлечение и структурирование данных

OpenMed/OpenMed-NER-PharmaDetect-BigMed-278M — специализированная модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Она дообучена на корпусе BC5CDR-Chem и построена на архитектуре XLM-RoBERTa; метаданные указывают 305,2 млн параметров и контекст до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций и медицинских документов. Такие извлечения могут служить основой для мониторинга нежелательных явлений, анализа упоминаний препаратов и построения биомедицинских баз знаний. В README заявлены F1 0,95, точность 0,93 и полнота 0,96 на BC5CDR-Chem; эти результаты относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Обучение ориентировано на химические сущности BC5CDR, поэтому охват других типов сущностей и перенос на иные домены ограничены. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-BigMed-560M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная трансформерная модель XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и примерно 658,7 млн параметров. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей; в карточке перечислены белки, белковые комплексы, семейства и группы белков, а также варианты белков. Для одного фрагмента текста длина контекста составляет 514 токенов. Модель предназначена для извлечения белковых сущностей из научной и биомедицинской литературы, клинических текстов и документов, а также для поддержки анализа взаимодействий белков, поиска по литературе и построения биомедицинских баз знаний. В README сообщаются результаты на корпусе FSU: F1 0,95, точность 0,95, полнота 0,96 и accuracy 0,98; эти показатели относятся к описанной оценке и не гарантируют аналогичного качества на других данных. Карточка указывает датасет FSU и лицензию Apache-2.0.

OpenMed разработала OpenMed-PII-BiomedELECTRA-Base-110M-v1 — англоязычную модель на базе BiomedELECTRA для токенной классификации и обнаружения 54 типов персональных и медицинских идентификаторов в тексте. Модель дообучена на наборе NVIDIA Nemotron-PII; архитектура относится к семейству BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и аудит приватности. В README сообщается о micro F1 0,9431 на тестовой выборке из 2 000 примеров; среди распознаваемых сущностей есть имена, адреса, медицинские номера, финансовые и контактные данные. Результаты могут зависеть от предметной области: для некоторых категорий, включая время, пол и религиозные убеждения, качество ниже. Возможны пропуски, поэтому критически важные результаты требуют проверки человеком; модель обучена преимущественно на английском языке. Распространяется по лицензии Apache-2.0.

OpenMed-PII-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель токеновой классификации на архитектуре XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она выделяет 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские сведения. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, а также для подготовки данных к обезличиванию, аудиту и проверке приватности. В README сообщается Micro F1 0,9587 на тестовой выборке из 2000 примеров; точность и полнота составили 0,9636 и 0,9538. Основной язык — английский. Модель распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать персональные данные, а качество зависит от контекста и категории сущности. В карточке отмечены более низкие результаты для ряда категорий, включая occupation, time и sexuality; для критичных сценариев требуется дополнительная проверка.

OpenMed-PII-French-ClinicalBGE-Large-335M-v1 — модель OpenMed на архитектуре BERT, дообученная на базе BAAI/bge-large-en-v1.5 для токенной классификации и выявления персональных данных во французском тексте. Она размечает 54 типа чувствительных сущностей, в том числе имена, адреса, контактные данные, финансовые идентификаторы и медицинские номера; заявленный размер в метаданных — 433,9 млн параметров, длина контекста — 512 токенов. Модель предназначена для поиска персональных данных в клинических записях и документах, автоматизированного обезличивания, подготовки исследовательских наборов данных и аудита документов в процессах защиты приватности. В карточке приведена оценка micro-F1 0,9668 на французской части набора AI4Privacy; модель может помочь выявить широкий спектр сущностей в конвейере обработки текста. Результаты требуют проверки человеком: часть чувствительных данных может быть пропущена, а качество зависит от терминологии и контекста. Модель оптимизирована для французского и может работать хуже на других языках. Лицензия — Apache-2.0.

OpenMed-PII-French-SuperClinical-Base-184M-v1 — модель OpenMed на базе DeBERTa-v3-base, дообученная для распознавания и классификации персональных данных во французском тексте. Это трансформерная модель классификации токенов с контекстом до 512 токенов; она размечает сущности по 54 категориям, включая идентификаторы, личные и медицинские сведения, контакты, адреса и финансовые данные. Модель предназначена для обнаружения и обезличивания данных во французских клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных и аудита конфиденциальности. В README указана оценка Micro F1 0,9663 на французской части AI4Privacy. Модель принимает текст и возвращает метки сущностей для токенов; результат следует проверять человеком, поскольку возможны пропуски и качество может меняться на специализированной терминологии. Модель оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicDischarge-Base-110M-v1 — модель OpenMed для выявления и классификации персональных данных в немецком тексте. Это модель токеновой классификации на базе BERT, дообученная на Bio_Discharge_Summary_BERT; она содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, контактные данные, идентификаторы, финансовые и медицинские сведения. Она предназначена для обезличивания клинических записей и других документов, подготовки наборов данных к исследованиям и поиска персональных данных при проверке документов. В README сообщается о micro F1 0,9308 на немецкой части набора AI4Privacy. Модель оптимизирована для немецкого языка. README предупреждает, что она может пропускать некоторые данные, а качество зависит от предметной области; для важных сценариев требуется проверка человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель ModernBERT с 149 млн параметров; она принимает текст и присваивает токенам BIO-метки для 54 типов чувствительной информации, включая имена, адреса, контактные, финансовые и медицинские сведения. Родительская модель — thomas-sounack/BioClinical-ModernBERT-base. Модель предназначена для выявления PII в клинических заметках, медицинских записях и других документах, чтобы поддерживать обезличивание данных, подготовку наборов для исследований и проверку коллекций документов. В README приведён результат micro-F1 0,9395 на итальянской части набора AI4Privacy; контекст составляет до 8192 токенов. Для критичных сценариев требуется проверка человеком: модель может пропускать персональные данные, её качество зависит от терминологии и оптимизировано для итальянского языка. Распространяется по лицензии Apache-2.0.

OpenMed-PII-Italian-ClinicalE5-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный для разметки токенов трансформер семейства BERT на основе intfloat/e5-large-v2: метаданные указывают 433,9 млн параметров и контекст до 512 токенов. Модель помечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска чувствительных данных в клинических записях, медицинской документации и других италоязычных текстах, чтобы поддерживать обезличивание, подготовку исследовательских наборов и аудит документов. В README указана оценка micro F1 0,9569 на итальянской части AI4Privacy; результат относится к описанной оценке и не гарантирует такую же точность на других данных. По заявлению авторов, модель готова к практическому использованию, но её следует применять как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски, а качество зависит от предметной области. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicDischarge-Base-110M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в итальянском тексте. Она предназначена для разметки токенов с типами чувствительных сведений, включая имена, адреса, идентификаторы, контакты и медицинские данные, в клинических заметках, выписках и других документах. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. По данным карточки, она обучена на итальянской части набора AI4Privacy PII Masking 400k и показывает micro F1 0,9306 на этой выборке. Результаты могут снижаться на других типах текста и терминологии; пропуски PII возможны, поэтому критические результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Italian-SuperClinical-Base-184M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная на базе Microsoft DeBERTa-v3-base модель DeBERTa для классификации токенов: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Размер по метаданным — 211,6 млн параметров, контекст — до 512 токенов; модель работает с текстом и выдаёт метки сущностей.

OpenMed-PII-LiteClinical-Small-66M-v1 — англоязычная модель OpenMed на базе DistilBERT, дообученная для токенной классификации и обнаружения 54 типов персональных и чувствительных данных в тексте. Она размечает имена, адреса, контактные данные, идентификаторы, финансовые сведения и клиническую информацию; размер модели — 66 млн параметров, контекст — до 512 токенов. Модель предназначена для поиска и последующего удаления или маскирования чувствительных данных в клинических заметках, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных и аудита конфиденциальности. В карточке приведён micro-F1 0,9485 на тестовой выборке NVIDIA Nemotron-PII из 2 000 примеров. Распространяется по лицензии Apache-2.0. Это вспомогательный инструмент: пропуски и ошибки разметки возможны, поэтому для важных сценариев требуется проверка человеком. Модель обучена преимущественно на английском языке, а качество может меняться на специализированной терминологии; для некоторых категорий точность ниже.

OpenMed разработала OpenMed-PII-mClinicalE5-Large-560M-v1 — модель классификации токенов на базе XLM-RoBERTa, дообученную на intfloat/multilingual-e5-large-instruct для обнаружения персональных и чувствительных данных в тексте. Она размечает 54 типа сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные, финансовые, медицинские и сетевые идентификаторы. Модель предназначена для поиска и последующего удаления или маскирования чувствительной информации в клинических записях, медицинских документах и наборах данных, а также для аудита документов и поддержки процессов защиты конфиденциальности. В README сообщается о micro-F1 0,9582 на тестовой выборке из 2 000 примеров датасета NVIDIA Nemotron-PII. Модель принимает текст и возвращает метки сущностей для его токенов; контекст — до 514 токенов. Основной язык обучения и применения — английский, хотя базовая модель многоязычная. Модель может пропускать чувствительные данные, а качество зависит от предметной области; для некоторых категорий точность ниже. README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Portuguese-BigMed-Large-560M-v1 — модель на базе XLM-RoBERTa Large, дообученную для поиска и классификации персональных данных в португальском тексте. Она размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Число параметров по метаданным — 658,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для выявления PII в медицинских записях и документах, автоматизированного обезличивания, проверки коллекций документов и подготовки данных к исследованиям. В README приведён результат micro F1 0,8848 на португальском тестовом наборе AI4Privacy и синтетических данных; заявлены примеры с бразильскими форматами, включая CPF, телефоны с кодом +55 и валюту R$. Модель оптимизирована для португальского и может хуже работать на других языках или специализированной терминологии; пропуски чувствительных данных требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-Portuguese-SuperClinical-Large-434M-v1 — модель OpenMed для выявления и классификации персональных данных в текстах на португальском языке. Это дообученная на Microsoft DeBERTa-v3-large модель токеновой классификации на базе DeBERTa V2 с 533,8 млн параметров и контекстом до 512 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Она предназначена для поиска и удаления PII в клинических записях и документах, подготовки данных к исследованиям и поддержки аудита конфиденциальности. По README, на португальском тестовом наборе она достигла micro F1 0,8889. Модель оптимизирована для португальского и может хуже работать на других языках или с узкоспециальной терминологией. README рекомендует использовать её как вспомогательный инструмент и проверять результаты человеком, поскольку возможны пропуски чувствительных данных. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Spanish-SnowflakeMed-Large-568M-v1 — модель токеновой классификации на базе XLM-RoBERTa, дообученную для поиска и классификации 54 типов персональных и чувствительных данных в испанском тексте. Она насчитывает 658,7 млн параметров, принимает текст и возвращает метки сущностей с позициями в тексте; контекст — до 8194 токенов. Модель предназначена для выявления имён, адресов, идентификаторов, контактных, медицинских и финансовых сведений в клинических записях и документах. Её можно применять для предварительного обезличивания данных, подготовки наборов для исследований и аудита документов. В README сообщается о результате micro-F1 0,9495 на испанской части AI4Privacy; это не гарантирует такую же точность на других данных. Для лучшей работы авторы рекомендуют удалять диакритические знаки из входного текста; смещения найденных сущностей можно сопоставить с исходным текстом. Возможны пропуски чувствительных данных, а качество зависит от предметной области; критические результаты требуют проверки человеком. Модель опубликована под лицензией Apache-2.0.

OpenMed-PII-SuperMedical-Base-125M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токенной классификации RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель распространяется в формате Safetensors и предназначена для запуска через Transformers. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные и финансовые данные. Она подходит для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В README приведён результат micro F1 0,9557 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей. Модель рассчитана прежде всего на английский текст. Некоторые категории могут распознаваться хуже, а пропуски чувствительных данных возможны, поэтому для важных сценариев нужна проверка человеком. Лицензия — Apache 2.0.

OpenMed-ZeroShot-NER-BloodCancer-Base-220M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, особенно в материалах о хроническом лимфоцитарном лейкозе (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на специализированном корпусе CLL. Модель принимает текст и возвращает найденные сущности с метками; zero-shot режим позволяет задавать типы сущностей при запросе без отдельного дообучения под каждую метку. Модель предназначена для извлечения терминов о заболеваниях, биомаркерах, генах, белках, методах лечения и клинических наблюдениях из медицинских записей и научной литературы. В карточке указана оценка F1 0,67 на тестовом наборе CLL и улучшение на 3,2% относительно базовой модели. Заявления карточки о высокой точности и готовности к производству следует оценивать с учётом этой метрики и проверять на данных конкретного применения. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Карточка не сообщает базовую модель, число параметров или длину контекста, поэтому эти характеристики не приводятся.

OpenMed/OpenMed-ZeroShot-NER-Pharma-Large-459M — разработанная OpenMed модель GLiNER для извлечения упоминаний химических веществ в биомедицинских текстах. Она дообучена на BC5CDR-Chem и предназначена прежде всего для распознавания лекарственных соединений и терапевтических веществ; карточка указывает 459 млн параметров в названии модели. Модель поддерживает zero-shot NER: типы сущностей можно задавать при использовании без отдельного дообучения, хотя основной указанный тип — CHE. Модель подходит для поиска химических соединений в аннотациях PubMed и медицинских текстах, подготовки данных для фармаконадзора, анализа нежелательных реакций и последующего извлечения связей «химическое вещество — заболевание». В описании заявлен F1 0,9542 на тестовой части BC5CDR-Chem, исключённой из обучения. Для пользовательских типов сущностей качество может варьироваться; карточка советует экспериментировать с порогом обнаружения. Модель принимает текст и выдаёт разметку сущностей. Поддержка по карточке указана для английского языка. Лицензия — Apache-2.0.

Polygraf NER Stage 4 Final Model — англоязычная модель распознавания именованных сущностей, созданная для технического задания Polygraf Applied NLP. Она дообучена Hasanblanka на DistilBERT и размечает последовательность токенов BIO-тегами для восьми типов сущностей: людей, организаций, мест, дат и времени, продуктов, произведений искусства, профессий и денежных или количественных значений. Модель построена на DistilBertForTokenClassification и содержит около 65,2 млн параметров. Она обучалась на 1 954 примерах обучающей выборки; тестовая выборка включает 472 записи. В README приведён F1 сущностей 0,7554 на объединённом тесте и 0,8222 на диагностической выборке из 10 вручную размеченных примеров. Модель рассчитана на английские тексты, в частности новости; базовый контекст DistilBERT — 512 токенов. Указанная лицензия — other. Модель подходит для извлечения сущностей из текста, но автор прямо предупреждает, что она не предназначена для производственного использования. Она не поддерживает вложенные сущности; распознавание произведений искусства остаётся слабым, а результаты для людей и организаций обобщаются хуже, чем для временных и количественных сущностей. Разрыв между обучающей и тестовой оценками также указывает на ограничения обобщения.

Privacy Filter ES M1 — модель для выявления и разметки персональных данных в испанском тексте. Она разработана на основе OpenMed/privacy-filter-multilingual-v2: неизменённый трансформерный MoE-бэкбон с токенизатором и 1,4 млрд параметров использует дообученную классификационную голову Linear(640→217); всего в репозитории указано 145,4 млн параметров. Модель принимает текст и присваивает токенам метки BIOES для последующего извлечения чувствительных фрагментов. Модель ориентирована на деидентификацию испанских клинических документов и может применяться для поиска персональных данных в других испаноязычных текстах, включая юридические документы. Голова обучалась с замороженным бэкбоном на примерах MEDDOCAN и синтетических данных; README приводит результаты оценки на клиническом наборе MEDDOCAN, небольшом юридическом наборе и английском наборе вне распределения. Для декодирования с ограничениями BIOES/Viterbi предлагается использовать runtime OpenMed. Это исследовательский прототип, а не гарантия полного обезличивания или соблюдения законодательства: возможны пропуски, ложные срабатывания и ошибки границ или категорий фрагментов. После адаптации к испанскому немного снизился символьный F1 на английском наборе вне распределения; для важных сценариев нужны проверка на целевых данных и экспертный контроль. Модель распространяется по лицензии Apache-2.0.

py312-pylingual-v1-segmenter — модель SysSec-UTD для сегментации текста с помощью классификации токенов. Это дообученная на наборе syssec-utd/segmentation-py312-pylingual-v1-tokenized модель syssec-utd/py312-pylingual-v1-mlm; архитектура основана на RoBERTa и содержит 136,3 млн параметров. Модель принимает текст и присваивает метки отдельным токенам, чтобы выделять сегменты текста. В README приведены результаты оценки: F1 0,9929, точность 0,9982, precision 0,9923 и recall 0,9935. Контекст составляет до 514 токенов. Карточка не раскрывает языки сегментации и подробности схемы меток, поэтому применение следует ограничивать сегментацией, соответствующей обучающим данным. Файлы представлены в формате safetensors; используется библиотека Transformers. Лицензия в предоставленных данных не указана.

Qwen3-1.7B SCL Extractor — языковая модель, дообученная на базе Qwen/Qwen3-1.7B для извлечения структурированных фактов из описаний производственных происшествий. Она формирует один JSON-объект с типом и величиной энергии, единицей измерения, степенью травмы и дословными фрагментами исходного текста в качестве подтверждений. Модель предназначена для серверной обработки сообщений о происшествиях в конвейере контроля безопасности; пороговую классификацию уровня опасности выполняет отдельный код. Модель использует плотную архитектуру Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов. Она принимает текст и выдаёт текст в формате JSON. Дообучение выполнено методом QLoRA на примерно 30 тысячах отчётов OSHA о тяжёлых травмах за 2015–2025 годы. Модель рассчитана на англоязычные описания в стиле американских отчётов об инцидентах в нефтегазовой и промышленной сферах. Результаты требуют учёта смещения обучающих данных: степень травмы может чаще определяться как серьёзная, поскольку обучающая выборка содержит преимущественно тяжёлые случаи. Модель не выносит итоговую классификацию безопасности и не заменяет профессиональную оценку. Лицензия — Apache-2.0.

AXERA-TECH 提供的 Qwen3-VL-2B-Instruct-GPTQ-Int4 是面向 AXera AX650 NPU 的视觉но-языковая модель, конвертированная с квантизацией w4a16. Она принимает изображения и видео для анализа с текстовым ответом; карточка приводит результаты обработки одного изображения и восьми видеокадров на AX650, а также требования к памяти и скорость генерации. Репозиторий заявляет совместимость с Pulsar2 5.0 и запуск через axllm, в том числе с OpenAI-совместимым интерфейсом. Модель основана на Qwen3-VL и рассчитана на локальный запуск на поддерживаемых устройствах AXera. Лицензия — MIT.

Koichi Yasuoka разработал японскую модель GPT-2 для морфосинтаксического анализа текста. Она дообучена на базе rinna/japanese-gpt2-medium на UD_Japanese-GSDLUW и предназначена для определения частей речи и зависимостей между словами. Модель работает с японским текстом, использует архитектуру GPT-2 и имеет контекст длиной 1024 токена. Лицензия — MIT.

gyr66/RoBERTa-ext-large-chinese-finetuned-ner — китайская модель разметки токенов, дообученная автором на наборе данных gyr66/privacy_detection. Она предназначена для выявления и классификации фрагментов, связанных с конфиденциальностью, в китайском тексте. Модель основана на архитектуре BERT, содержит 424,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе данных указаны F1 0,7318, точность 0,7052 и полнота 0,7606. Эти показатели отражают результаты только на упомянутом наборе данных; карточка не уточняет конкурсную задачу или классы разметки. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

fran-martinez/scibert_scivocab_cased_ner_jnlpba — модель распознавания именованных сущностей на основе SciBERT, разработанного Allen Institute for AI и дообученного для задачи BioNLP/JNLPBA. SciBERT построен на архитектуре BERT и предварительно обучен на корпусе научных публикаций Semantic Scholar; для него используется специализированный словарь scivocab. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель размечает слова и фрагменты текста в научных аннотациях, выделяя, в частности, белки, типы клеток и клеточные линии. В описанной оценке на данных JNLPBA она достигла макро F1 0,7498 на уровне сущностей и F1 0,8093 на уровне слов. Для обучения использовались 2 000 аннотаций PubMed; оценка проводилась на 404 аннотациях. Модель предназначена для извлечения биомедицинских сущностей из научных текстов. В README отмечено, что результаты ниже приведённого показателя исходной работы Allen Institute for AI; одним из возможных объяснений называется отсутствие слоя CRF. Лицензия в предоставленных данных не указана.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

Tulio Chilean Spanish BERT — модель BERT для чилийского варианта испанского языка, разработанная Хорхе Ортисом Фуэнтесом. Это дообученная версия dccuchile/bert-base-spanish-wwm-cased; в карточке указаны архитектура BertForMaskedLM, 137,1 млн параметров и контекст до 512 токенов. Модель обучалась на чилийских новостях, веб-текстах, жалобах, твитах и книгах на испанском языке. Она предназначена для предсказания замаскированных слов и может служить основой для задач классификации и разметки текста на чилийском испанском; автор сообщает о сравнительных результатах на таких задачах. Доступна в формате safetensors. Лицензия указана как CC BY 4.0, однако автор предупреждает, что совместимость лицензий всех обучающих данных, особенно для коммерческого использования, не подтверждена. Данные не проходили цензуру, поэтому модель может воспроизводить нежелательные идеологические представления.

Это модель XLM-RoBERTa Large, дообученная командой TNER для распознавания именованных сущностей в биомедицинских текстах набора BC5CDR. Она выполняет токен-классификацию: принимает текст и помечает в нём сущности, связанные с заболеваниями и химическими соединениями. Модель подходит для извлечения таких упоминаний из научных публикаций и других биомедицинских документов. Модель основана на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров. Максимальная длина контекста — 514 токенов; доступен формат PyTorch. Карточка рекомендует загружать токенизатор из репозитория asahi417/tner-xlm-roberta-large-uncased-bc5cdr. Лицензия в предоставленных данных не указана.