I.3Извлечение и структурирование данных

Avey-B Urdu 25M — компактный энкодер для языка урду, разработанный и обученный с нуля для masked language modeling на корпусе HPLT 3.0 Urdu. Модель имеет архитектуру Avey-B и 24,87 млн параметров; это не чат-модель и не генератор свободного текста. Для загрузки в Transformers требуется доверенный пользовательский код (`trust_remote_code=True`).

Это модель для разметки биомедицинского текста, опубликованная пользователем ghadeermobasher на Hugging Face. Она выполняет распознавание сущностей в последовательности токенов, в частности химических веществ и заболеваний в корпусе BC5CDR; название указывает на использование SapBERT, построенного на PubMedBERT с обучением на полнотекстовых статьях. Модель основана на архитектуре BERT и содержит около 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний химических веществ и заболеваний из биомедицинских публикаций и подобных текстов на английском языке. Это специализированная модель разметки токенов, а не универсальная модель для генерации текста. Данных о лицензии для этой конкретной карточки недостаточно, чтобы указать условия использования.

dbmdz/bert-base-italian-cased — итальянская модель BERT от команды MDZ Digital Library Баварской государственной библиотеки. Это регистрозависимый энкодер с архитектурой BertForMaskedLM, предназначенный для заполнения пропусков в тексте и использования как языковая основа для последующих задач обработки итальянского языка. Модель содержит 137,1 млн параметров и поддерживает контекст до 512 токенов. Для обучения использованы итальянская Википедия и тексты из корпусов OPUS: корпус объёмом 13 ГБ и около 2,05 млрд токенов. Модель рассчитана на итальянский язык; регистр букв сохраняется. Подходит для предсказания замаскированных слов и адаптации в задачах вроде распознавания сущностей и разметки частей речи. Лицензия — MIT.

bert-base-romanian-uncased-v1 — базовая модель BERT для румынского языка, обученная разработчиком на корпусе объёмом около 15 ГБ из OPUS, OSCAR и Википедии. Это плотная трансформерная модель с 151,6 млн параметров и контекстом до 512 токенов; доступны версии для PyTorch, JAX/Flax и Safetensors. Модель предназначена прежде всего для восстановления скрытых слов в тексте и может служить основой для румынских задач обработки языка, включая разметку частей речи, синтаксический анализ и распознавание именованных сущностей. В оценке на румынском Universal Dependencies RRT и наборе RONEC модель превзошла использованный авторами базовый multilingual BERT по UPOS, XPOS, LAS и NER. Перед подачей текста README рекомендует заменять варианты букв с седилем на варианты с запятой: модель обучалась без букв ţ и ş, и их использование может ухудшить качество токенизации и результатов. Лицензия — MIT.

BERTc-165M — китайская символьная модель семейства ModernBERT, разработанная Ismantic и предварительно обученная с нуля для предсказания замаскированных токенов. Она подходит для заполнения пропусков и как языковой энкодер для задач обработки китайского текста, включая сегментацию, определение частей речи и сущностей, а также исправление орфографии. Модель содержит 164,6 млн параметров, имеет 12 слоёв, скрытый размер 1024, 16 голов внимания и контекст до 1024 токенов. Использует позиционные кодировки ScaledSinusoidal, блоки GeGLU и связанные входные и выходные эмбеддинги. Веса доступны в формате safetensors; реализация написана на PyTorch и не требует Transformers. Для токенизации используется символьный SentencePiece с отдельным словарём на 12 536 элементов; карточка сообщает о результатах на PD-1998 и SIGHAN-15. Лицензия модели — Apache-2.0; лицензии обучающих корпусов следует проверять отдельно. Токенизатор необходимо загружать в символьном режиме без словаря, иначе разбиение не будет соответствовать обучению. Модель ориентирована на китайский язык; заявленные результаты относятся к перечисленным наборам данных и сами по себе не гарантируют качество на других доменах.

Ismantic разработал BERTc-315M — китайскую символьную модель семейства Modern BERT, предварительно обученную с нуля для предсказания замаскированных токенов. Веса содержат 316,4 млн параметров, контекст — до 1024 токенов. Архитектура включает 24 слоя, размер скрытого состояния 1024, GeGLU и позиционные кодировки ScaledSinusoidal; используются связанные входные и выходные эмбеддинги. Модель реализована на PyTorch и распространяется в формате safetensors. Основной сценарий — восстановление пропущенного символа или токена в китайском тексте. README также приводит результаты совместной тонкой настройки для сегментации слов, разметки частей речи и распознавания сущностей, а также для исправления орфографии. Для токенизации требуется символьный режим PieceTokenizer без словаря. Модель выпущена по лицензии Apache-2.0; лицензии обучающих корпусов могут отличаться.

BERTino — итальянская модель семейства DistilBERT, предварительно обученная indigo.ai на большом корпусе текстов общего назначения. Корпус объединяет Paisà и ItWaC и содержит около 14 миллионов предложений, или 12 ГБ текста. Модель предназначена для заполнения маски в итальянском тексте и может служить основой для дообучения под другие задачи обработки языка. В карточке приведены результаты проверки на итальянских задачах синтаксического анализа, распознавания именованных сущностей и классификации предложений. Максимальная длина контекста — 512 токенов; доступны форматы PyTorch и TensorFlow. По сравнению с указанной в карточке моделью-учителем BERTino показала близкие, но несколько более низкие F1-результаты на приведённых задачах, при этом дообучение и оценка занимали меньше времени в описанном эксперименте. Модель распространяется по лицензии MIT.

bioformer-8L-ncbi-disease — модель распознавания именованных сущностей, разработанная сообществом Bioformers и дообученная на наборе данных NCBI Disease в течение 10 эпох. Она предназначена для извлечения упоминаний заболеваний из англоязычных текстов, например из научных публикаций и биомедицинских документов. Модель основана на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступна в форматах PyTorch и Safetensors. Модель ориентирована на распознавание заболеваний, а не на генерацию текста или общие задачи классификации. Она выпущена по лицензии Apache-2.0.

BioNER — модель распознавания биомедицинских именованных сущностей, созданная в рамках исследовательского сотрудничества Bayer Pharma и Института исследований и разработок искусственного интеллекта Сербии. Это модель на архитектуре BERT, основанная на PubMedBERT, с 136,7 млн параметров; она принимает текстовый фрагмент и название искомого класса сущностей и помечает токены, относящиеся к этому классу. Модель обучена на 26 классах биомедицинских сущностей и поддерживает поиск сущностей без отдельного обучения для каждого класса. Среди классов — заболевания, химические соединения, гены и белки, варианты последовательностей, клеточные типы, лекарства и их характеристики. Для новых классов README описывает возможность дообучения на небольшом числе примеров. Модель рассчитана на англоязычные биомедицинские тексты, работает с контекстом до 512 токенов и выдаёт бинарные метки токенов. Модель подходит для извлечения сущностей из научных публикаций и клинических текстов. Доступна по лицензии MIT. Качество может зависеть от формулировки метки сущности и предметной области; для новых классов может потребоваться дообучение.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-spanmask-gazetters-lr_2.085 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Это дообученная версия Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-combinedData, обученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Модель предназначена для распознавания именованных сущностей в биомедицинских текстах с разметкой двух классов на уровне токенов. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки токенов. На указанном в карточке наборе оценки достигнуты micro F1 0,7664 и accuracy 0,9834. Лицензия Apache-2.0. Карточка не описывает значения двух классов и не приводит подробностей о предполагаемом применении или ограничениях; показатели качества относятся только к указанному набору оценки.

CeLLaTe-ner-2class-pubmedbert-tapt-combData-tokenizer-adapted-wwmask — англоязычная модель для классификации токенов, разработанная на основе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData. Это BERT-модель с 138,2 млн параметров, дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final; максимальная длина контекста составляет 512 токенов. Модель предназначена для разметки токенов в биомедицинских текстах. На оценочном наборе указаны micro F1 0,7588, weighted F1 0,7590, macro F1 0,7636 и accuracy 0,9842. Карточка не описывает классы сущностей и конкретные сценарии применения, поэтому эти метрики не позволяют судить о качестве по отдельным типам разметки. Лицензия — Apache-2.0.

pzryathzsdhc/cti-ner-securebert — англоязычная модель для распознавания именованных сущностей в текстах киберразведки. Это дообученная на CISA advisories модель SecureBERT с архитектурой RoBERTa и классификатором BIO для разметки токенов. Она извлекает 16 типов сущностей, включая идентификаторы и названия техник атак, CVE и CWE, хеши и пути файлов, IP-адреса, семейства вредоносных программ, группы угроз, инструменты, тактики и метки TLP. На отложенной выборке из восьми рекомендаций CISA модель показала micro F1 0,71 при строгом совпадении границ сущности и метки и 0,76 при более мягкой оценке. Лучше распознаются идентификаторы CWE и техники атак; распознавание групп угроз и инструментов даётся труднее. Контекст модели — 514 токенов, поэтому для длинных документов следует применять разбиение на окна: обычный единичный проход может обрезать текст. Модель выпущена под лицензией MIT.

gemma-3-270m-foodextract — дообученная модель thealper2 на основе unsloth/gemma-3-270m-it для извлечения сведений о еде и напитках из текстовых описаний. Она формирует структурированный ответ с категориями вроде состава, пищевой ценности, меню, рецептов, продуктов, напитков, рекламы и упаковки. Модель построена на текстовой архитектуре Gemma 3, содержит 257 млн параметров и использует контекст до 32 768 токенов; обучение проводилось на подмножестве из 20 000 примеров набора FoodExtract-135k. Модель предназначена для извлечения и категоризации упоминаний еды и напитков из описаний, подписей и текстов о продуктах. В README приведены результаты оценки на 500 примерах: точное совпадение — 0,416, F1 для тегов — 0,9227; при оценке самих списков еды и напитков точное совпадение ниже — 0,1977. Обучающие целевые ответы были сгенерированы другой языковой моделью, поэтому результат может воспроизводить ошибки этих меток. Модель обучалась на англоязычных описаниях, а тексты длиннее 1024 токенов исключались из обучения; списки разделяются запятыми, что делает элементы с запятыми неоднозначными. Использование регулируется условиями Gemma Terms of Use базовой модели.

rafmacalaba/gliner2_datause — дообученная модель GLiNER2, созданная для извлечения упоминаний источников данных из экономических исследовательских статей. Она выделяет названия и акронимы конкретных наборов данных, описательные упоминания неназванных источников и общие формулировки о данных без идентифицируемого источника. Модель предназначена для разметки текста и поиска упоминаний датасетов, опросов, переписей и реестров в корпусах научных публикаций. В тестировании на отложенной выборке лучший F1 составил 0,8418 при пороге 0,4, а лучший F0.5 — 0,8419 при пороге 0,6. Модель распространяется в формате safetensors по лицензии Apache-2.0.

GLM-4.1V-9B-Thinking — мультимодальная модель с открытыми весами от Zhipu AI, дообученная на базе GLM-4-9B-0414 для рассуждений по тексту и изображениям. Она предназначена для визуальных вопросов и ответов, решения сложных задач и мультимодальных сценариев с длинным контекстом. Модель семейства GLM-4V имеет плотную архитектуру и около 9 млрд параметров. Она принимает изображения произвольного соотношения сторон разрешением до 4K и поддерживает контекст до 64 тыс. токенов. Заявлена двуязычная работа на китайском и английском языках; для запуска в README приведён пример с библиотекой Transformers. Разработчики сообщают о сильных результатах в математике и на визуальных бенчмарках, включая задачи, где модель сопоставима с более крупными системами. Это заявление основано на оценках авторов и не гарантирует аналогичное качество во всех прикладных сценариях. Модель распространяется по лицензии MIT.

HPLT Bert for Urdu — одноязычная языковая модель проекта HPLT, обученная для урду. Это модель типа encoder-only на архитектуре LTG-BERT, варианте классического BERT, с примерно 124,3 млн параметров. Конфигурация включает 12 слоёв, 12 голов внимания, скрытый размер 768 и словарь из 32 768 токенов; для модели используется собственный токенизатор, обученный на данных HPLT для урду. Максимальная длина контекста — 512 токенов. Модель предназначена прежде всего для предсказания замаскированных токенов и может служить основой для задач классификации текста и токенов, ответов на вопросы и выбора вариантов. Это выпуск проекта HPLT, обученный на корпусе HPLT/hplt_monolingual_v1_2. Для загрузки требуется пользовательская обёртка modeling_ltgbert.py и параметр trust_remote_code=True в Transformers. Лицензия — Apache-2.0.

LT-MLKM-modernBERT — литовская маскированная языковая модель, разработанная Государственным агентством цифровых решений Литвы в рамках проекта по созданию корпуса и векторизованных языковых моделей. Она основана на ModernBERT-base и предназначена прежде всего для предсказания пропущенных фрагментов текста по контексту, а также как основа для дообучения под задачи обработки литовского языка. Модель содержит 159,4 млн параметров, использует архитектуру ModernBERT и токенизатор с литовским словарём на 64 000 токенов. Контекст составляет до 8 192 токенов. Предварительное обучение проводилось на литовском текстовом корпусе объёмом около 49 млрд токенов, включающем новости, юридические, академические и государственные тексты. В карточке приведены результаты оценки на задаче распознавания именованных сущностей после дообучения. Модель подходит для заполнения масок и как база для разработки классификаторов, систем распознавания сущностей и других приложений понимания литовского текста. Для специализированных задач требуется дообучение. Она не оптимизирована для свободной генерации или диалогов; при таком использовании ответы могут быть неполными или несогласованными. Лицензия — Apache-2.0.

LumynaX OCR TrOCR Large Handwritten — архивный эксперимент AbteeX AI Labs на основе microsoft/trocr-large-handwritten. Это модель архитектуры vision-encoder-decoder, предназначенная для распознавания рукописного текста на изображениях и преобразования его в текст. В выпуске сохранены исходные веса TrOCR; указана интеграция через маршрутизацию во время выполнения без слияния весов. Репозиторий использует PyTorch и библиотеку Transformers. Модель подходит для оцифровки рукописных записей и обработки изображений с рукописным текстом. Карточка помечает выпуск как устаревший и не рекомендует его для производственного применения; он больше не поддерживается. Лицензия — MIT.

Модель khadija69/mdebertaV3_BIES_stem_1K_4 — дообученная версия khadija69/mdebertaV3_BIES_stem_1K_3 на архитектуре DeBERTa V2. Она предназначена для классификации токенов, например для разметки последовательностей текста. Модель содержит 306 млн параметров, принимает текст с контекстом до 512 токенов и опубликована в формате TensorFlow. В README приведены результаты обучения за 5 эпох: точность на обучающей выборке 0,6271 и на валидационной выборке 0,5913. Датасет и конкретные типы меток не описаны, поэтому применимость к определённой задаче разметки оценить нельзя. Лицензия — MIT.

MicrobELP_NER — модель распознавания сущностей микробиома, разработанная как часть инструментария microbELP. Она извлекает из биомедицинских и научных текстов названия бактерий, архей и грибов, помогая автоматизировать анализ литературы и курирование данных о микробиоме. Модель дообучена на BioBERT-Base v1.1 и решает задачу разметки токенов; число параметров — 135,5 млн, максимальный контекст — 512 токенов. Поддерживается обработка на CPU и GPU. Модель предназначена для извлечения упоминаний микроорганизмов из неструктурированных текстов и может использоваться через Transformers или пакет microbELP, который предоставляет постобработку и привязку найденных сущностей к позициям в тексте. Она работает с английскими текстами. Лицензия — MIT. README также упоминает отдельную модель нормализации сущностей, но описанная здесь модель выполняет распознавание именованных сущностей.

Модель raynardj/ner-gene-dna-rna-jnlpba-pubmed — модель распознавания именованных сущностей, разработанная сообществом raynardj. Она основана на RoBERTa, предварительно обученной на PubMed, и дообучена на наборе JNLPBA для разметки биомедицинских сущностей в тексте. Модель выделяет DNA, RNA, белки, клеточные линии и типы клеток; README также упоминает проверку на химических веществах и заболеваниях, но не приводит для них отдельные классы меток. Модель содержит 151,8 млн параметров, принимает текст и возвращает метки токенов. Контекст составляет до 514 токенов. Она предназначена для извлечения биомедицинских сущностей из научных текстов, в частности из публикаций о генах и их продуктах. Поддержка английского подтверждается карточкой модели и набором данных JNLPBA. Модель распространяется по лицензии Apache-2.0. Метки не используют префиксы B-/I-, поэтому вывод не сохраняет стандартное различение начала и продолжения сущности; для последовательных spans README предлагает дополнительную обработку.

OpenMed-NER-DNADetect-BioPatient-108M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный BERT-классификатор токенов с 135,5 млн параметров и контекстом до 512 токенов; он размечает сущности BIO-тегами и предназначен для работы через экосистему Hugging Face Transformers. Модель выявляет белки, ДНК, РНК, клеточные линии и типы клеток. Она подходит для извлечения биомедицинских терминов из научных публикаций и клинических записей, анализа медицинских документов и поиска сущностей в корпусах для исследований. В README приведены результаты на JNLPBA: F1 0,81, точность 0,76 и полнота 0,86; эти показатели относятся к указанному набору данных и не гарантируют качество на других текстах. Модель обучена на корпусе JNLPBA, основанном на MEDLINE-аннотациях из GENIA. Язык карточки — английский. Лицензия — Apache-2.0. Возможности извлечения лекарств, химических соединений и взаимодействий, заявленные в README, шире перечисленных классов сущностей; такие результаты карточка не подтверждает метриками.

OpenMed разработала OpenMed-NER-DNADetect-ModernMed-149M — специализированную модель распознавания биомедицинских сущностей, дообученную на корпусе JNLPBA для архитектуры ModernBERT-base. Это модель токенной классификации размером 149 млн параметров с контекстом до 8192 токенов; она принимает токенизированный текст и размечает упоминания белков, ДНК, РНК, клеточных линий и типов клеток BIO-метками. Модель предназначена для извлечения сущностей из научных публикаций, медицинских записей и других биомедицинских текстов, в том числе для поиска упоминаний генов и белков, анализа литературы и построения биомедицинских баз знаний. Карточка приводит для JNLPBA F1 0,75, точность 0,72, полноту 0,78 и accuracy 0,91; эти показатели относятся к указанному корпусу и не гарантируют такое же качество на клинических текстах других типов. Модель распространяется под лицензией Apache-2.0 и интегрируется с Transformers.

OpenMed-NER-DNADetect-PubMed-109M — модель организации OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер на архитектуре BERT с головой классификации токенов, основанный на BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель обучена на корпусе JNLPBA и выделяет белки, ДНК, РНК, клеточные линии и типы клеток, возвращая BIO-разметку. Размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для извлечения сущностей из биомедицинской литературы и клинических текстов, включая поиск упоминаний генов и белков, анализ медицинских записей и построение биомедицинских баз знаний. В README указаны F1 0,79, точность 0,74, полнота 0,84 и accuracy 0,93 на JNLPBA. Эти результаты относятся к указанному бенчмарку и сами по себе не подтверждают клиническую надёжность. Модель рассчитана на английский текст; лицензия — Apache-2.0.

OpenMed-NER-DNADetect-SuperClinical-434M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер DeBERTa v2 для классификации токенов; в README базовая архитектура названа DeBERTa v3 Large. Модель принимает токенизированный текст и возвращает BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. Размер по метаданным — 533,8 млн параметров, длина контекста — 512 токенов; заявлена поддержка английского языка. Модель предназначена для извлечения сущностей из биомедицинских публикаций и клинических текстов, включая анализ медицинских записей, мониторинг нежелательных явлений, поиск по научной литературе и построение биомедицинских баз знаний. В README приведён результат F1 0,8188 на JNLPBA. Лицензия — Apache-2.0. Качество на иных жанрах и типах текста может отличаться от результата на JNLPBA; распознавание химических соединений и лекарств не входит в перечисленные метки сущностей.

OpenMed разработала OpenMed-NER-GenomeDetect-ModernMed-395M — дообученную модель ModernBERT для распознавания упоминаний генов и белков в биомедицинских текстах. Модель содержит около 395 млн параметров, принимает токенизированный текст и выдаёт BIO-разметку сущностей для последующей группировки упоминаний. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских документов и клинических записей. Она обучена на корпусе BC2GM и поддерживает английский язык; заявленная длина контекста — 8192 токена. В README приведены результаты на BC2GM: F1 0,85, точность 0,85 и полнота 0,86. Модель можно применять для поиска генов и белков в литературе и документах, построения биомедицинских баз знаний и анализа клинических текстов. Заявленные сценарии применения шире непосредственно поддерживаемой разметки: модель выделяет только сущности GENЕ/PROTEIN, поэтому обнаружение лекарств, химических соединений и лекарственных взаимодействий потребует других компонентов. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-BioPatient-108M — специализированная модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Это дообученная модель на основе BERT для классификации токенов; она принимает токенизированный текст и возвращает метки сущностей в формате BIO. В репозитории указаны 135,5 млн параметров, контекст до 512 токенов и формат Safetensors. Модель обучена на корпусе GELLUS и предназначена для поиска генетических сущностей в научной литературе и медицинских документах. В README перечислены метки B-Cell-line-name и I-Cell-line-name, поэтому заявленная способность распознавать гены и варианты следует трактовать с учётом этого набора меток. Она может использоваться для извлечения упоминаний сущностей при анализе биомедицинских текстов и построении баз знаний. Заявленные в карточке показатели качества приведены без описания протокола оценки. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-PubMed-335M — дообученную модель BERT для распознавания сущностей в биомедицинских текстах. Она принимает токенизированный текст и возвращает BIO-разметку; в карточке указана метка Cell-line-name. Модель обучена на корпусе GELLUS и предназначена для анализа научной литературы и других текстов по геномике и молекулярной биологии. Модель содержит около 433,9 млн параметров, использует архитектуру BertForTokenClassification и обрабатывает контекст длиной до 512 токенов. Указанная лицензия — Apache-2.0. Заявления README о высоких показателях качества не сопровождаются достаточным описанием протокола оценки, поэтому результаты следует проверять на целевых данных.

OpenMed разработала специализированную модель распознавания биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель XLM-RoBERTa с примерно 658,7 млн параметров, предназначенная для токенной классификации: она присваивает токенам BIO-метки, которые можно объединять в сущности, например гены и их продукты, опухоли, клетки, ткани, анатомические структуры и простые химические вещества. Модель рассчитана на извлечение сущностей из научной литературы и медицинских документов, а также на поиск упоминаний генов и биомаркеров для онкологических исследований и построения биомедицинских баз знаний. Она обучена на корпусе BioNLP 2013 CG; в README заявлены F1 0,88, точность 0,87 и полнота 0,88. Контекст составляет до 8194 токенов, основной указанный язык — английский. Модель принимает текст и возвращает разметку токенов, а не готовые клинические выводы. Лицензия — Apache-2.0. Качество заявлено на профильном корпусе BioNLP 2013 CG; переносимость на другие типы документов и языки в карточке не подтверждена, поэтому результаты для клинического применения следует проверять отдельно.

OpenMed-NER-OncologyDetect-SuperMedical-125M — модель OpenMed для распознавания именованных сущностей в биомедицинском тексте. Это дообученная для токенной классификации модель на архитектуре RoBERTa; README указывает базовую архитектуру roberta-base, а метаданные — около 151,8 млн параметров и контекст до 514 токенов. Модель обучена на корпусе BioNLP 2013 CG и выдаёт BIO-разметку, включая сущности, связанные с раком, генами и их продуктами, клетками, тканями, органами и химическими веществами. Модель предназначена для извлечения сущностей из научных публикаций и медицинских текстов, а также для поиска онкологических и генетических терминов в биомедицинской литературе. В README приведены метрики на BioNLP 2013 CG: F1 0,85, точность 0,84 и полнота 0,85. Карточка описывает совместимость с Transformers и рекомендует сценарии клинического анализа, однако результаты на специализированном корпусе не подтверждают пригодность для принятия клинических решений. Указанный язык — английский. Лицензия — Apache-2.0.