I.3Извлечение и структурирование данных

BERTje — предварительно обученная модель BERT для нидерландского языка, разработанная исследователями Университета Гронингена. Это плотная трансформерная модель архитектуры BERT с 136,3 млн параметров, 12 слоями, регистрозависимой токенизацией и контекстом до 512 токенов. В метаданных для неё указана задача заполнения пропусков в тексте. Модель предназначена для предсказания замаскированных слов и может служить основой для дообучения под задачи обработки нидерландского языка. В опубликованных сравнениях BERTje показала результаты для распознавания именованных сущностей и частеречной разметки; для этих задач потребуется соответствующая дообученная версия. Доступны реализации весов для PyTorch, TensorFlow и JAX. Лицензия в предоставленных данных не указана.

GroNLP/bert-base-dutch-cased-upos-alpino — модель BERT для разметки частей речи на уровне токенов нидерландского текста. Она создана в рамках работы «Adapting Monolingual Models: Data can be Scarce when Language Similarity is High»; модель использует дообученные Transformer-слои и классификационную голову BERTje, а её лексические слои переобучены. Число параметров — 136,3 млн, максимальная длина контекста — 512 токенов. Модель предназначена для автоматического присвоения токенам универсальных частей речи (UPOS) с использованием разметки Alpino. Её можно применять в NLP-конвейерах для анализа нидерландских текстов и подготовки корпусной разметки. В карточке перечислены форматы PyTorch, TensorFlow, Flax и safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

TweebankNLP/bertweet-tb2_ewt-pos-tagging — модель команды TweebankNLP для разметки частей речи в сообщениях Twitter и других коротких англоязычных текстах. Это модель RoBERTa для классификации токенов с 162,4 млн параметров и контекстом до 130 токенов, сохранённая в формате PyTorch. Модель обучена на объединённом обучающем корпусе Tweebank-NER и English-EWT. В карточке указана точность 95,38% на POS-бенчмарке Tweebank V2. Для лучшего качества авторы рекомендуют предварительно токенизировать твиты с помощью TweetTokenizer. Основная задача — присвоение каждому токену метки части речи. Лицензия CC BY-NC 4.0 допускает использование с атрибуцией и ограничивает коммерческое применение.

alvaroalon2/biobert_diseases_ner — модель BioBERT, дообученная для распознавания заболеваний в биомедицинских текстах. Она предназначена для извлечения упоминаний заболеваний в системах распознавания и нормализации биомедицинских сущностей (BioNER/BioNEN).

BioELECTRA-PICO — модель на базе архитектуры ELECTRA с 136,7 млн параметров, предназначенная для классификации токенов в биомедицинских текстах. Она может использоваться для извлечения сущностей PICO — популяции, вмешательства, сравнения и исходов — из научных публикаций и других медицинских текстов. Модель принимает текст и выдаёт метки для его токенов; максимальная длина контекста составляет 512 токенов. Модель опубликована пользователем kamalkraj на Hugging Face; README содержит название и просьбу цитировать статью, но не раскрывает подробности обучения или результаты. Доступны веса PyTorch и Safetensors. Сведения о лицензии и подтверждённых ограничениях качества в предоставленных данных отсутствуют.

Francesco-A выпустил дообученную модель для распознавания биомедицинских именованных сущностей в текстах научных публикаций. Это модель на базе BERT — PubMedBERT, обученная классифицировать токены в аннотациях PubMed на датасете BC5CDR. Она выделяет названия заболеваний и химических веществ, используя BIO-разметку; размер модели составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README приведены результаты оценки на тестовом наборе BC5CDR: F1 0,8775, точность 0,8582 и полнота 0,8977. Модель предназначена для извлечения заболеваний и химических веществ из научных аннотаций, например для структурирования биомедицинской литературы. Она обучалась на англоязычном наборе BC5CDR, поэтому перенос на другие типы текстов и наборы сущностей может быть ограничен. Автор указывает, что версия предназначена для обучения и тестирования, а не для клинического или производственного применения. Лицензия — MIT.

DictaBERT Parse — модель BERT, разработанная Dicta, для совместного морфологического и синтаксического разбора современного иврита. Модель объёмом 211,6 млн параметров дообучена от dictabert-joint на Hebrew UD Treebank и корпусах NEMO, чтобы согласовать разметку с этими корпусами. Длина контекста — до 512 токенов. Модель сегментирует префиксы, снимает морфологическую неоднозначность, определяет леммы, строит деревья зависимостей и распознаёт именованные сущности. Результаты можно получить в JSON или в форматах Universal Dependencies, включая вариант разметки IAHLT. Лицензия — CC BY 4.0.

EDGAR-T5-Large — модель T5 Large, дообученная разработчиками репозитория на наборе EDGAR10-Q. Она предназначена для генерации текста по контексту и задач ContextNER — генерации контекстуальных фраз и извлечения сущностей в финансовых документах, включая отчётность компаний. Модель содержит 385,2 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов, выдавая текст. В карточке также приведены результаты дообученной модели на наборах FiQA SA, FPB и Headline; авторы сообщают о сравнении с T5 Large и BloombergGPT. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии MIT. README предостерегает от непосредственного применения в производстве или в задачах, способных повлиять на людей; результаты следует проверять перед практическим использованием.

Карточка модели EdgeAIMed/EdgeAIMed-PII-French-SuperClinical-Small-44M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-French-SuperClinical-Small-44M-v1, поэтому описание составлено по ней. OpenMed-PII-French-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная на token classification компактная модель семейства DeBERTa V3 Small с архитектурой DeBERTa V2; по метаданным она содержит 155 млн параметров и обрабатывает до 512 токенов контекста за раз. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и финансовые данные, а также сведения из медицинских документов. Её можно использовать для поиска PII в клинических записях, деидентификации документов и подготовки наборов данных к исследованиям. В README приведён результат Micro F1 0,9628 на французской части AI4Privacy; это оценка на указанном наборе, а не гарантия качества на других данных. Модель предназначена для автоматической помощи в выявлении чувствительных данных, но результат следует проверять человеком: возможны пропуски, а качество может зависеть от терминологии и предметной области. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

CEA-LIST дообучила эту модель для участия в соревновании evalLLM2026. Это dense-ретривер на архитектуре XLM-RoBERTa, предназначенный для связывания географических упоминаний с подходящими записями GeoNames: модель кодирует текст в эмбеддинги, по которым можно искать ближайшие совпадения. В README также указано обучение на Wikipedia с последующим дообучением на тренировочных данных соревнования. Модель основана на BAAI/bge-m3 и содержит 658,7 млн параметров. Она принимает текст и выдаёт эмбеддинги для поиска и оценки сходства предложений; заявленная длина контекста — 8194 токена. Для запросов README рекомендует префикс “Represent this geographical sentence for retrieving relevant GeoNames terms:”. Метаданные указывают французский и английский языки; лицензия — Apache-2.0. Модель рассчитана на географический entity linking и поиск соответствующих терминов GeoNames. Данные не подтверждают качество на других языках или задачах, поэтому применять её за пределами этого сценария следует с проверкой результатов.

whr778/gliner2-large-v1-casie — модель извлечения информации на базе GLiNER2 large v1 от Fastino, дообученная для задач из набора CASIE. Она предназначена для извлечения сущностей, типов и триггеров событий, а также их аргументов из англоязычных текстов по кибербезопасности. В карточке также заявлены извлечение отношений и классификация; модель использует библиотеку gliner2 и опубликована в формате safetensors. На тестовой выборке показаны высокие результаты для определения типа события (F1 0,975) и более умеренные для сущностей (F1 0,591 строго, 0,731 с relaxed matching) и триггеров событий (F1 0,487 строго, 0,573 relaxed). Порог решения по умолчанию — 0,5. Для использования доступны веса с лицензией, обозначенной как other; условия следует сверить с карточкой и источником датасета CASIE.

ai4data разработала glinerdatauseextended — дообученную модель GLiNER large-v2.1 для извлечения упоминаний об источниках данных из экономических научных статей. Она выделяет три типа упоминаний: названия и аббревиатуры конкретных источников, описательные упоминания без названия и общие формулировки, по которым источник нельзя определить. Модель предназначена для разметки и анализа использования наборов данных, обследований, переписей и реестров в исследовательских публикациях. Модель обучена на расширенном наборе data-use-mentions-extended в течение пяти эпох. В README приведены результаты проверки на отложенной выборке: лучший F1 составляет 0,8493 при пороге 0,5. Порог влияет на баланс точности и полноты, поэтому его стоит настраивать под задачу; в таблице также отмечено, что другая модель GLiNER2 на том же наборе показала более высокий F1. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

rafmacalaba/gliner_datause — дообученная на извлечении упоминаний об использовании данных модель на основе GLiNER large-v2.1. Она предназначена для поиска в экономических научных статьях названий и описаний наборов данных, обследований, переписей и реестров. Модель выделяет три типа фрагментов: именованные источники данных (NAMED_DATA), описания источников без собственного названия (DESCRIPTIVE_DATA) и общие упоминания данных без конкретного источника (VAGUE_DATA). В README приведены результаты проверки на отложенной выборке: F1 составляет 0,9037 при пороге 0,5; результат зависит от выбранного порога и типа текстов. Обучение выполнено на наборе rafmacalaba/data-use-mentions в течение пяти эпох с точностью bf16. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Она рассчитана на извлечение упоминаний из исследовательских текстов и может давать ложные срабатывания или пропуски; приведённые метрики получены на отложенной выборке и не гарантируют такие же результаты на других корпусах.

Это извлечённая часть энкодера модели GNER-T5-xxl, опубликованная wikeeyang в форматах fp16, fp8 и Q8. Репозиторий предназначен для использования весов как текстового энкодера вместо T5-xxl; карточка также приводит описание исходной GNER, системы генеративного распознавания именованных сущностей, обученной на базе Flan-T5 и ориентированной на распознавание сущностей из ранее не встречавшихся областей. Исходная GNER-T5-xxl предназначена для NER и демонстрирует zero-shot и supervised результаты. Однако данный репозиторий содержит только энкодер, поэтому его описание указывает на замену text encoder, а не на самостоятельную систему генерации разметки. Метаданные относят модель к text-classification, указывают английский язык, лицензию Apache-2.0 и связь с dyyyyyyyy/GNER-T5-xxl. В карточке не приведены подробные оценки качества именно извлечённого энкодера.

mustaphaidris/hausa-agri-ner — модель распознавания именованных сущностей в текстах на хауса о животноводстве. Её разработчик дообучил Davlan/afro-xlmr-base: это XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 305,2 млн параметров. Модель размечает токены BIO-тегами для десяти типов сущностей, включая виды животных, породы, болезни, симптомы, лекарства и корма. Контекст составляет 514 токенов. Модель предназначена для извлечения структурированной информации из хауса-текстов о скоте, а также для помощи при аннотировании и исследовательской работы. Карточка сообщает тестовый entity F1 97,54% для описанного дообученного кандидата, но результаты основаны на предоставленных логах и независимо не воспроизводились. В карточке также указано, что нужно проверить соответствие загруженных весов этому кандидату. Показатели могут не отражать качество на новых данных: тестовая выборка сильно пересекается с обучающей по сущностям, а некоторые категории представлены малым числом примеров. Качество на независимо собранных фермерских текстах, диалектах, незнакомых названиях, вариантах написания и длинных документах не проверено. Модель не ставит диагнозы и не рекомендует лечение; извлечённые сущности требуют проверки человеком. Лицензия этого дообученного выпуска в карточке не определена; перед использованием следует проверить условия базовой модели и датасета.

ml6team разработала KBIR-inspec — модель RoBERTa для извлечения ключевых фраз из английского текста. Модель дообучена на наборе Inspec и решает задачу как разметку токенов: определяет начало и продолжение ключевой фразы, а также токены вне неё. В основе KBIR лежит предварительное обучение с задачами языкового моделирования, восстановления границ ключевых фраз и классификации замен ключевых фраз. Модель предназначена прежде всего для извлечения ключевых фраз из аннотаций научных публикаций в областях информатики, управления и информационных технологий. Она принимает текст и выдаёт метки токенов, которые можно объединить в фразы. Размер составляет 454,1 млн параметров, максимальная длина контекста — 514 токенов. По оценке на тестовой части Inspec значение F1@M составляет 0,56. Модель работает только с английскими документами и ориентирована на научные аннотации; для текстов из других областей её авторы не рекомендуют применение без собственной проверки. Репозиторий распространяется по лицензии MIT.

nlpie/Llama2-MedTuned-13b — плотная авторегрессионная трансформерная модель семейства Llama 2, дообученная разработчиками nlpie инструктивным способом для биомедицинских и клинических NLP-задач. В README указано обучение примерно на 200 тысячах примеров и специализация на распознавании именованных сущностей, извлечении отношений и выводе по медицинскому тексту. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; базовая модель — Llama 2 13B, контекст — до 4096 токенов. Модель подходит для извлечения структурированных сведений из биомедицинских текстов и выполнения задач клинического анализа на естественном языке. В карточке заявлены улучшения точности на специализированных задачах и генерация результатов в форматах, удобных для стандартной оценки. Доступна под лицензией Apache 2.0. README не приводит количественных результатов бенчмарков или подробностей о языковом покрытии.

khadija69/mdebertaV3_BIES_stem_1K_6 — дообученная модель на архитектуре mDeBERTa-v2 для классификации токенов. Она основана на khadija69/mdebertaV3_BIES_stem_1K_5 и предназначена для присвоения меток отдельным токенам, например для извлечения сущностей или разметки последовательностей. Модель содержит 306 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены метрики обучения и валидации после пяти эпох: точность на валидационном наборе составляет 0,3978. Датасет и схема меток не описаны, поэтому целевую предметную задачу и языки нельзя установить по доступным сведениям. Модель опубликована в формате TensorFlow под лицензией MIT.

allenai/multicite-multilabel-roberta-large — англоязычная модель AllenAI для многометочной классификации цитирований. Она анализирует текст и может назначать ему несколько классов, что подходит для разметки упоминаний цитат в научных публикациях. Модель построена на архитектуре RoBERTa для классификации последовательностей и содержит 454,1 млн параметров; максимальный контекст составляет 514 токенов. Она представлена в формате PyTorch и распространяется по лицензии MIT. Карточка модели не содержит дополнительных сведений о конкретных метках, обучающих данных или качестве классификации.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в итальянских клинических текстах. Это дообученная модель BERT BioBIT с 137,1 млн параметров для классификации токенов; она присваивает токенам метки O, B-DISEASE и I-DISEASE. Контекст модели составляет 512 токенов. Модель предназначена для извлечения названий заболеваний из клинических записей и документов. Для воспроизведения опубликованных результатов при обработке следует использовать предварительную токенизацию на слова и нетекстовые фрагменты, аналогичную обучающей, и повторно выровнять смещения; разбиение длинных документов рекомендуется выполнять с перекрытием в 128 токенов. На тестовом наборе MultiClinNER для итальянского языка строгая F1 составила 0,7194, а символьная F1 — 0,829. Модель распространяется по лицензии CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в клинических текстах на нидерландском языке. Это дообученная для NER модель RoBERTa на основе CLTL/MedRoBERTa.nl с 153,2 млн параметров и контекстом до 514 токенов. Она выполняет токен-классификацию по BIO-разметке: O, B-PROCEDURE и I-PROCEDURE. Модель предназначена для извлечения упоминаний процедур из клинических записей и электронных медицинских карт. Для воспроизведения заявленных результатов рекомендуется подавать предварительно токенизированный текст и корректно сопоставлять предсказания исходным смещениям; для длинных документов предусмотрен шаг перекрытия stride=128. В оценке на нидерландском тестовом наборе MultiClinNER строгий F1 составил 0,4968, а символьный F1 — 0,6633. В карточке отмечено, что смещения модели не оценивались. Модель распространяется по лицензии CC BY 4.0; при её использовании следует учитывать возможные искажения и самостоятельно снижать связанные с применением риски.

OpenMed-NER-AnatomyDetect-BigMed-278M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Это дообученный классификатор токенов на базе XLM-RoBERTa; по метаданным в репозитории около 305,2 млн параметров, длина контекста — 514 токенов. Модель размечает упоминания анатомических структур, частей тела, органов и физиологических систем тегами B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из медицинских записей и научной литературы, а также для последующего поиска и структурирования биомедицинских сведений. README приводит F1 0,86, precision 0,84, recall 0,87 и accuracy 0,97 на наборе ANATOMY. Указаны совместимость с Transformers и формат весов safetensors. Лицензия — Apache-2.0. Распознавание ориентировано на английский язык. Метрики и область применения относятся к анатомической разметке; README также перечисляет сценарии вроде анализа лекарственных взаимодействий и обнаружения препаратов, однако заявленные классы модели ограничены анатомическими сущностями. Контекст ограничен 514 токенами.

OpenMed-NER-AnatomyDetect-ElectraMed-560M — модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Она размечает токены тегами B-Anatomy и I-Anatomy, выделяя анатомические структуры и части тела в медицинских документах и научной литературе. Модель использует архитектуру XLM-RoBERTa для классификации токенов, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Карточка сообщает о дообучении на корпусе ANATOMY и приводит F1 0,9063 на этом наборе. Указаны сценарии извлечения сущностей из медицинских записей и публикаций, а также построения биомедицинских баз знаний. Модель выпущена по лицензии Apache-2.0. Она предназначена для английского языка; качество на других языках в карточке не подтверждено. Метрики относятся к ANATOMY и сами по себе не гарантируют аналогичную точность на других типах документов или в клиническом применении.

OpenMed-NER-AnatomyDetect-PubMed-109M — специализированная модель OpenMed для распознавания анатомических сущностей в биомедицинском тексте. Это дообученная модель BERT для token classification на корпусе ANATOMY; она выделяет анатомические структуры и части тела, помечая токены тегами B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из научных публикаций, клинических записей и медицинских документов. Её можно использовать в биомедицинском поиске, анализе литературы и построении графов знаний. Модель содержит 136,7 млн параметров, принимает токенизированный текст и поддерживает контекст до 512 токенов. Заявленные в карточке метрики на ANATOMY: F1 0,86, precision 0,87, recall 0,86 и accuracy 0,98. Модель рассчитана на английский язык и распространяется под лицензией Apache-2.0. Она выявляет только анатомические сущности: перечисленные в карточке сценарии вроде извлечения лекарств и обнаружения взаимодействий не подтверждены описанными метками, поэтому для них потребуется дополнительная модель или обработка. Длина контекста ограничивает обработку длинных документов одним проходом.

OpenMed разработала эту специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученный ModernBERT для классификации токенов: модель находит названия химических соединений и веществ и размечает их тегами B-CHEM и I-CHEM. В README указана базовая архитектура BioClinical-ModernBERT-base, а среди областей применения — клинические записи, научные статьи и медицинские документы. Модель предназначена для извлечения упоминаний химических соединений и лекарств, в том числе для анализа литературы, фармакологии и клинических данных. В README приведены результаты на BC4CHEMD: F1 0,93, точность 0,92 и полнота 0,94. Архитектура ModernBERT, размер — 149 млн параметров, контекст — до 8192 токенов. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0. Распознавание может быть менее надёжным на текстах, отличающихся от биомедицинских материалов и данных BC4CHEMD; результаты README не гарантируют качество для конкретной клинической системы или набора данных.

OpenMed-NER-DNADetect-ModernMed-395M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный ModernBERT-large с архитектурой ModernBertForTokenClassification, примерно 395 млн параметров и контекстом до 8192 токенов. Модель принимает токенизированный текст и присваивает токенам BIO-метки для белков, ДНК, РНК, клеточных линий и типов клеток. Модель предназначена для извлечения этих сущностей из медицинских текстов и научных публикаций, включая анализ медицинских записей, мониторинг нежелательных явлений, поиск по биомедицинской литературе и построение графов знаний. В README заявлены обучение на JNLPBA и результаты F1 0,78, точность 0,74 и полнота 0,81; показатели приведены для задач распознавания сущностей и не гарантируют качество на иных типах документов. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0 и интегрируется с Transformers.

OpenMed-NER-DNADetect-PubMed-335M — специализированная модель OpenMed для распознавания биомедицинских сущностей в научных текстах и других биомедицинских документах. Это дообученная архитектура BERT для классификации токенов, основанная на BiomedNLP-BiomedBERT-large-uncased-abstract. Модель содержит 433,9 млн параметров, принимает текст и возвращает BIO-разметку для сущностей белков, ДНК, РНК, клеточных линий и типов клеток. Максимальная длина контекста — 512 токенов. Модель предназначена для извлечения биомедицинских сущностей из аннотаций MEDLINE, исследовательских публикаций и медицинских записей, в том числе для поиска упоминаний генов и белков, анализа литературы и построения биомедицинских баз знаний. Для набора JNLPBA в карточке приведены F1 0,81, точность 0,76 и полнота 0,86. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других жанрах текста или клинических данных. Лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-MultiMed-568M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для токенной классификации с 658,7 млн параметров и контекстом до 8194 токенов. Модель принимает текст и выдаёт BIO-разметку сущностей типов B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научных публикаций, клинических записей и других медицинских документов, например для поиска по литературе и построения биомедицинских баз знаний. В карточке заявлены обучение на корпусе BC2GM и показатели F1 0,88, точности 0,88, полноты 0,89 и accuracy 0,97. Указана совместимость с Transformers. Карточка описывает задачу распознавания генов и белков на английском языке; лицензия — Apache-2.0. Заявленные показатели относятся к BC2GM, поэтому качество на иных типах текстов и в клинических сценариях может отличаться.

OpenMed разработала OpenMed-NER-GenomeDetect-SuperClinical-141M — дообученную модель DeBERTa-v2 для распознавания упоминаний генов и белков в биомедицинских текстах. Модель выполняет token classification: присваивает токенам метки B-GENE/PROTEIN и I-GENE/PROTEIN, которые можно объединить в извлечённые сущности. Модель предназначена для анализа клинических документов и научной литературы, включая извлечение генов и белков из медицинских записей и построение биомедицинских баз знаний. Она обучена на корпусе BC2GM; в карточке указаны F1 0,87, точность 0,86, полнота 0,88 и accuracy 0,96. Архитектура — DeBERTa-v2 с 155 млн параметров, контекст — до 512 токенов. Прикладной язык — английский. Модель принимает токенизированный текст и выдаёт BIO-разметку токенов. Лицензия — Apache-2.0. Показатели качества приведены для BC2GM и не гарантируют такую же точность на клинических записях или других корпусах; распознаваемые типы сущностей ограничены генами и белками.

OpenMed-NER-GenomicDetect-BigMed-560M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Она основана на архитектуре XLM-RoBERTa и дообучена для token classification на корпусе GELLUS; в репозитории указано 658,7 млн параметров. Модель принимает токенизированный текст и выдаёт BIO-разметку. В карточке перечислены метки B-Cell-line-name и I-Cell-line-name, поэтому подтверждённая область извлечения — названия клеточных линий, хотя описание корпуса также говорит о распознавании генов и генетических сущностей. Модель предназначена для извлечения биомедицинских сущностей из научной литературы и медицинских документов, в том числе для текстового поиска и анализа геномных публикаций. Контекст модели — 514 токенов; в метаданных указан английский язык. README приводит высокие результаты на GELLUS, но без подробностей о протоколе оценки эти показатели не следует считать гарантией качества на других данных. Модель распространяется по лицензии Apache-2.0.