I.3Извлечение и структурирование данных

OpenBioNER — англоязычная модель на архитектуре BERT для распознавания биомедицинских сущностей в текстах. Она дообучена на базе dmis-lab/biobert-v1.1 и предназначена для открытого распознавания сущностей: типы сущностей задаются их описаниями на естественном языке, что позволяет находить новые типы без повторного обучения модели. По карточке, модель обучалась на синтетических аннотациях, созданных с помощью самообучения на основе LLM, и показывает хорошие результаты в экспериментах с биомедицинскими наборами данных. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Её можно применять для извлечения заболеваний, анатомических объектов и других описанных пользователем типов биомедицинских сущностей из научных и медицинских текстов. Для работы авторы рекомендуют библиотеку IBM Zshot. Модель распространяется по лицензии MIT. Результаты зависят от формулировки описаний типов и способа сопоставления токенов с символьными интервалами: карточка отмечает возможные расхождения между оценками в статье и результатами библиотеки zshot. Заявленные преимущества основаны на экспериментах с конкретными биомедицинскими бенчмарками.

OpenMed-NER-AnatomyDetect-ModernMed-149M — специализированная модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученный ModernBERT с 149 млн параметров и контекстом до 8192 токенов; модель классифицирует токены и выдаёт BIO-разметку для анатомических структур и частей тела, используя метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из медицинских записей, научной литературы и других текстов здравоохранения, а также для построения систем поиска и анализа биомедицинских сведений. В README указаны F1 0,81, точность 0,83 и полнота 0,79 на наборе ANATOMY. Заявления README о применении для поиска лекарственных взаимодействий и извлечения лекарств выходят за рамки перечисленных меток: модель распознаёт анатомические сущности, а не препараты. Поддерживается английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

OpenMed разработала специализированную модель распознавания биомедицинских сущностей на основе XLM-RoBERTa, дообученной для классификации токенов. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и размечает сущности в формате BIO: белки, ДНК, РНК, клеточные линии и типы клеток. Модель предназначена для извлечения биомедицинских сущностей из научных публикаций и других текстов молекулярной биологии. Она обучена на корпусе JNLPBA и может применяться для поиска сущностей в литературе, построения биомедицинских баз знаний и анализа исследовательских текстов. В README приведены метрики на JNLPBA: F1 0,80, точность 0,75 и полнота 0,85. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Результаты зависят от качества и предметной области входного текста; обучение описано на данных JNLPBA, поэтому перенос на клинические документы и задачи вроде выявления лекарственных взаимодействий отдельно не подтверждён приведёнными метриками.

OpenMed-NER-DNADetect-ElectraMed-560M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученный трансформер с архитектурой XLM-RoBERTa и примерно 658,7 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку для белков, ДНК, РНК, клеточных линий и типов клеток. Контекст составляет до 514 токенов. Модель предназначена для извлечения сущностей из научных публикаций и медицинских текстов: например, для поиска упоминаний белков и генов, анализа литературы и построения биомедицинских баз знаний. В README указаны результаты на корпусе JNLPBA: F1 0,79, точность 0,75, полнота 0,84 и accuracy 0,93. Эти показатели относятся к описанному бенчмарку и сами по себе не гарантируют качество на клинических документах или иных данных. В карточке указана лицензия Apache-2.0. Модель ориентирована на англоязычные биомедицинские тексты; оценка на русском языке не приведена. Распознавание ограничено поддерживаемыми типами сущностей, а длина входа ограничена контекстом модели.

OpenMed разработала OpenMed-NER-DNADetect-TinyMed-135M — специализированную модель распознавания биомедицинских именованных сущностей. Это дообученная версия DistilBERT с архитектурой DistilBertForTokenClassification, предназначенная для разметки токенов в текстах и статьях по биомедицине. Модель присваивает BIO-метки сущностям пяти типов: белкам, ДНК, РНК, клеточным линиям и типам клеток. Модель рассчитана на извлечение сущностей из биомедицинской литературы и клинических текстов, включая поиск упоминаний генов и белков для анализа и построения баз знаний. В README указаны результаты на наборе JNLPBA: F1 0,80, точность 0,76, полнота 0,84 и accuracy 0,92. Контекст ограничен 512 токенами; заявленный основной язык — английский. Модель работает с текстом и выдаёт токеновые метки. Модель распространяется под лицензией Apache-2.0 и совместима с Transformers. Результаты на JNLPBA не гарантируют точность на других типах текстов; разметка охватывает только перечисленные категории сущностей. Перед использованием в клинических процессах качество следует проверять на целевых данных.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученная для классификации токенов модель семейства BERT на основе BiomedNLP-BiomedELECTRA-base-uncased-abstract. Она принимает токенизированный текст и размечает упоминания генов и белков тегами BIO: B-GENE/PROTEIN и I-GENE/PROTEIN. Веса занимают модель с 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC2GM с аннотациями упоминаний генов и белков в биомедицинской литературе. Её можно применять для извлечения таких сущностей из научных публикаций и медицинских записей, а также для поиска по литературе и построения биомедицинских баз знаний. В README приведены F1 0,88, точность 0,87 и полнота 0,89 на BC2GM; эти результаты относятся к указанному корпусу и не гарантируют качество на других типах текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-GenomeDetect-TinyMed-135M — дообученную модель DistilBERT для распознавания упоминаний генов и белков в биомедицинском тексте. Она принимает токенизированный текст и возвращает BIO-разметку сущностей; модель обучена на корпусе BC2GM с примерами из аннотаций MEDLINE. В README указана архитектура distilbert-base-multilingual-cased, а контекст модели составляет 512 токенов. Модель предназначена для извлечения генов и белков из научной литературы и медицинских документов, в том числе для поиска упоминаний в корпусах биомедицинских публикаций и построения баз знаний. README сообщает F1 0,87 на BC2GM; эта оценка относится к указанному набору данных. Карточка не приводит независимых подтверждений заявлений о клинической точности. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-ElectraMed-560M — дообученную модель XLM-RoBERTa для распознавания биомедицинских сущностей в тексте. Она классифицирует токены и выделяет сущности типа Cell-line-name в научной литературе и биомедицинских документах; карточка также описывает её как модель для распознавания сущностей, связанных с генами. Модель содержит 658,7 млн параметров, принимает токенизированный текст, выдаёт BIO-разметку и поддерживает контекст до 514 токенов. Модель обучена на корпусе GELLUS и предназначена для извлечения упоминаний клеточных линий и генетических сущностей, например, при анализе научных публикаций и поиске упоминаний в медицинских документах. Для клинических задач её результаты следует проверять: описанные в карточке метрики относятся к GELLUS, а метки, перечисленные для самой модели, ограничены Cell-line-name. Лицензия — Apache-2.0.

OpenMed-NER-GenomicDetect-SuperClinical-434M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Она предназначена для выделения упоминаний генов и связанных сущностей в клинических документах и научной литературе, например для поиска генетических упоминаний и подготовки данных для биомедицинского анализа. Модель использует архитектуру DeBERTa-v2 для классификации токенов, содержит 533,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. На выходе выдаёт метки BIO; в карточке перечислены метки B-Cell-line-name и I-Cell-line-name. Для обучения указан корпус GELLUS, ориентированный на распознавание генов и генетических сущностей. README приводит высокие показатели на GELLUS, но не описывает методику оценки, поэтому эти результаты не следует считать гарантией качества на других данных. Модель принимает текст и предназначена для английского языка. Распространяется под лицензией Apache-2.0.

OpenMed-NER-OncologyDetect-ModernMed-395M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель семейства ModernBERT с архитектурой ModernBertForTokenClassification и примерно 394,7 млн параметров; она принимает токенизированный текст и выдаёт BIO-разметку сущностей. Окно контекста — до 8192 токенов. Модель предназначена для извлечения генов и их продуктов, видов рака, клеток, химических веществ, тканей и других биомедицинских сущностей из научных публикаций и медицинских текстов. В карточке указано дообучение на корпусе BioNLP 2013 CG и F1 0,77 на этом наборе данных. Возможные сценарии включают поиск сущностей в онкологической литературе и подготовку данных для биомедицинских графов знаний. Модель ориентирована на англоязычные тексты. Результаты на других жанрах и языках не подтверждены; приведённые в карточке примеры применения не означают клиническую валидацию. Распространяется по лицензии Apache-2.0.

OpenMed-NER-OncologyDetect-PubMed-335M — модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это дообученный трансформер BERT для классификации токенов, построенный на архитектуре BiomedNLP-BiomedBERT-large-uncased-abstract. Модель содержит 433,9 млн параметров, принимает токенизированный биомедицинский текст с контекстом до 512 токенов и возвращает метки сущностей в формате BIO. Модель обучена на корпусе BioNLP 2013 CG и распознаёт, среди прочего, гены и продукты генов, виды рака, аминокислоты, клетки, органы, ткани и простые химические соединения. Её можно применять для извлечения онкологических сущностей из научной литературы и медицинских документов, поиска генетических маркеров и построения биомедицинских баз знаний. В карточке указаны F1 0,88, точность 0,88 и полнота 0,87 на оценке модели; эти результаты относятся к описанному набору данных и не гарантируют аналогичного качества на других текстах. Модель рассчитана на англоязычные тексты. Распознавание сущностей зависит от соответствия входных данных стилю и разметке обучающего корпуса; модель не заменяет клиническую оценку. Распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-NER-OrganismDetect-ModernClinical-395M — дообученная модель OpenMed для распознавания упоминаний видов организмов в тексте. Она использует архитектуру ModernBERT для классификации токенов и выдаёт BIO-разметку сущностей типов B-SPECIES и I-SPECIES. Модель содержит 394,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения названий видов из биомедицинских текстов, научных публикаций и клинических документов, включая научные и распространённые названия организмов. В README приведены результаты на SPECIES800: F1 0,79, точность 0,79 и полнота 0,78. Она может использоваться для поиска упоминаний организмов в литературе и формирования таксономических или биомедицинских наборов данных. Карточка указывает базовую архитектуру BioClinical-ModernBERT-large, но метаданные не содержат идентификатора репозитория базовой модели. Модель распространяется по лицензии Apache-2.0. Показатели README относятся к SPECIES800; качество на иных корпусах и языках может отличаться.

OpenMed-NER-OrganismDetect-PubMed-335M — модель OpenMed для распознавания упоминаний видов организмов в биомедицинских текстах. Это трансформер BERT для классификации токенов, дообученный на корпусе SPECIES800; он отмечает названия видов тегами B-SPECIES и I-SPECIES. В README указана базовая архитектура BiomedNLP-BiomedBERT-large-uncased-abstract, а метаданные сообщают о 433,9 млн параметров и контексте до 512 токенов. Модель предназначена для извлечения названий видов из аннотаций PubMed и другой научной или биомедицинской литературы, в том числе для текстового анализа биоразнообразия и таксономических исследований. README приводит результаты на SPECIES800: F1 0,855, точность 0,837 и полноту 0,874. Модель обрабатывает текст и выдаёт BIO-разметку сущностей; в метаданных указан английский язык. Лицензия — Apache-2.0. Показатели заявлены для SPECIES800 и не гарантируют такое же качество на клинических записях или текстах вне этого набора.

OpenMed разработала OpenMed-NER-PathologyDetect-ModernClinical-149M — дообученную модель ModernBERT для распознавания названий заболеваний в биомедицинских текстах. Модель содержит 149 млн параметров, принимает текст и выдаёт BIO-разметку сущностей типа Disease. Контекст — до 8192 токенов. Модель обучена на корпусе NCBI Disease и предназначена для извлечения упоминаний заболеваний из клинических записей и научной литературы, а также для последующего анализа медицинских текстов. В README указаны F1 и точность 0,86 и accuracy 0,97 на NCBI Disease; результаты зависят от данных и сценария применения. Поддерживается английский язык. Модель распространяется под лицензией Apache-2.0 и интегрируется с Transformers. Она распознаёт только сущности заболеваний; README не подтверждает заявленные широкие сценарии вроде извлечения лекарств или обнаружения взаимодействий. Показатели из карточки не заменяют отдельную проверку на целевых клинических данных.

OpenMed разработала OpenMed-NER-SpeciesDetect-PubMed-109M — модель распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная модель семейства BERT с архитектурой BertForTokenClassification, примерно 136,7 млн параметров и контекстом до 512 токенов. Базовая модель — BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext; для обучения использован корпус LINNAEUS. Модель принимает токенизированный текст и присваивает токенам BIO-метки B-SPECIES и I-SPECIES, помогая находить научные и общеупотребительные названия организмов в научных публикациях и других биомедицинских материалах. Карточка сообщает F1 0,9543 на LINNAEUS. В метаданных указан английский язык. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0.

OpenMed-NER-SpeciesDetect-SuperClinical-141M — модель OpenMed для распознавания названий видов и организмов в биомедицинских текстах. Это трансформер DeBERTa для классификации токенов, дообученный на корпусе LINNAEUS; он выделяет сущности метками B-SPECIES и I-SPECIES и возвращает BIO-разметку. В README приведены показатели на наборе оценки: F1 0,94, точность 0,93, полнота 0,95 и accuracy 1,00. Модель предназначена для извлечения упоминаний видов из научной литературы, клинических документов и других биомедицинских текстов, например для поиска организмов в публикациях и построения биомедицинских баз знаний. Она принимает текст и выдаёт метки сущностей; контекст ограничен 512 токенами. Поддержка английского подтверждается метаданными. Репозиторий содержит веса в формате safetensors, размер модели — 155 млн параметров. Лицензия Apache-2.0.

OpenMed-PII-French-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная для token classification архитектура BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска и обезличивания чувствительной информации в клинических записях, медицинских документах и других французских текстах, а также для подготовки наборов данных и аудита документов. В README указана оценка Micro F1 0,9528 на французской части AI4Privacy. Модель обучалась на BIO-размеченном подмножестве AI4Privacy PII Masking 400k и распространяется по лицензии Apache-2.0. Результаты требуют проверки человеком: модель может пропускать персональные данные, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-ClinicalLongformer-Base-149M-v1 — модель OpenMed для выявления и классификации персональных данных во французских текстах. Это дообученная для разметки токенов Longformer на 151,8 млн параметров, основанная на yikuan8/Clinical-Longformer; поддерживает контекст до 4098 токенов и работает через библиотеку Transformers. Модель предназначена для поиска 54 типов чувствительных данных, включая имена, адреса, идентификаторы, контактные, медицинские и финансовые сведения. Её можно использовать для обезличивания клинических записей и документов, подготовки наборов данных к исследованию и аудита коллекций текстов. В README сообщается о micro F1 0,9559 на французской части AI4Privacy PII Masking 400k. Модель оптимизирована для французского языка. Возможны пропуски персональных данных и снижение качества на специализированной терминологии, поэтому результаты требуют проверки человеком в важных сценариях. Распространяется по лицензии Apache-2.0.

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.

OpenMed-PII-German-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная модель BERT для классификации токенов на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; она содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Она предназначена для выявления и удаления персональных данных из клинических записей и документов, подготовки наборов данных к исследованиям и проверки коллекций документов. В оценке на немецкой части AI4Privacy модель показала micro-F1 0,9370. Модель обучена на немецких данных и может хуже работать с другими языками или терминологией специализированных областей. Это вспомогательный инструмент: пропуски возможны, поэтому результаты для важных сценариев следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicalLongformer-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в немецком тексте. Это дообученная на токеновую классификацию Longformer-модель с 151,8 млн параметров и контекстом до 4098 токенов. Она выделяет сущности, в том числе имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для поиска и удаления чувствительных данных в немецких клинических записях, медицинских документах и других текстах, а также для подготовки наборов данных и аудита документов. В README сообщается оценка F1 0,9485 на немецкой части набора AI4Privacy PII Masking 400k. Модель принимает текст и возвращает метки сущностей для его токенов. Модель оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Возможны пропуски чувствительных данных, поэтому результаты следует проверять человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-German-SnowflakeMed-Large-568M-v1 — модель OpenMed для обнаружения персональных и других чувствительных данных в немецком тексте. Это дообученная модель классификации токенов на базе Snowflake/snowflake-arctic-embed-l-v2.0 с архитектурой XLM-RoBERTa; метаданные указывают 658,7 млн параметров, библиотеку Transformers и контекст до 8194 токенов. Модель размечает 54 типа сущностей, включая идентификаторы, имена, контактные и финансовые данные, сведения о здоровье и местоположении. Модель предназначена для выявления PII в клинических записях, медицинских документах и других немецкоязычных материалах, чтобы поддерживать деидентификацию, подготовку исследовательских данных и аудит документов. В оценке на немецкой части AI4Privacy указана micro-F1 0,9724. Модель оптимизирована для немецкого языка; в README её рекомендуют использовать как вспомогательный инструмент с проверкой результатов человеком, поскольку возможны пропуски PII и снижение качества на специализированной терминологии. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalBGE-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная BERT-модель с архитектурой BertForTokenClassification и 433,9 млн параметров; она принимает текст и размечает токены по категориям чувствительной информации. Контекст модели составляет 512 токенов. Модель предназначена для поиска имен, адресов, идентификаторов, контактных, финансовых и медицинских сведений в клинических записях, медицинских документах и других текстах. Её можно использовать для подготовки документов к обезличиванию, аудита наборов данных и поддержки процессов соблюдения GDPR. В оценке на итальянской части AI4Privacy модель показала micro F1 0,9605. Модель оптимизирована для итальянского языка; качество на других языках может быть ниже, а некоторые персональные данные могут остаться нераспознанными. Разработчики рекомендуют использовать её как вспомогательный инструмент с проверкой человеком в критически важных случаях. Лицензия — Apache-2.0.

OpenMed-PII-ModernMed-Large-395M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученный энкодер ModernBERT-large с архитектурой ModernBertForTokenClassification, примерно 394,7 млн параметров и контекстом до 8192 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения; она обучена на NVIDIA Nemotron-PII и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, документов и наборов данных, а также для поддержки аудита конфиденциальности. В README сообщается о micro-F1 0,9579 на тестовой выборке из 2000 примеров. Модель рассчитана прежде всего на английский текст; качество зависит от категории сущностей и предметной области, а некоторые сведения она может пропустить. Авторы рекомендуют использовать её как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Pharma-Tiny-60M — модель распознавания химических сущностей в биомедицинском тексте, опубликованная организацией OpenMed. Она основана на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem, который содержит аннотации химических соединений, лекарств и терапевтических веществ. Модель принимает текст и возвращает найденные упоминания с метками сущностей; заявленный целевой тип метки — CHE. Модель предназначена для извлечения названий препаратов и других химических соединений из научных публикаций и клинических текстов. Её можно включать в конвейеры фармаконадзора, поиска нежелательных реакций и извлечения связей «химическое вещество — заболевание» с последующим модулем извлечения отношений. Zero-shot-интерфейс GLiNER позволяет задавать типы сущностей при запросе, однако основная специализация этой версии — химические сущности корпуса BC5CDR-Chem. В README приведён F1 0,77 на тестовом наборе BC5CDR-Chem и заявлено улучшение на 30,7% относительно базовой модели. Это результат для указанного набора данных; карточка не подтверждает аналогичное качество на произвольных клинических документах или других типах сущностей. Модель распространяется под лицензией Apache-2.0; для использования требуется библиотека GLiNER с токенизаторами.

PP-LCNet_x1_0_table_cls_onnx — модель классификации изображений таблиц, разработанная командой PaddlePaddle для использования в составе PaddleOCR. Она определяет категорию таблицы по её изображению, в частности различает таблицы с видимыми линиями и без них, чтобы передавать результат в последующие этапы распознавания и извлечения структуры таблиц. Модель основана на архитектуре PP-LCNet с масштабом x1_0 и распространяется в формате ONNX для запуска через ONNX Runtime. В README указаны поддерживаемые языки English и Chinese, однако входными данными являются изображения, поэтому языковые сведения, вероятно, относятся к соответствующему OCR-конвейеру. Размер модели составляет около 6,6 МБ. Точность Top-1 равна 94,2%; время инференса составляет 2,35 мс в обычном и 0,47 мс в высокопроизводительном режиме на GPU, а на CPU — 4,03 и 1,35 мс соответственно. Сильные стороны модели — компактный размер и высокая скорость, что делает её подходящей для потоковой обработки документов и интеграции в пайплайны распознавания таблиц. Ограничение заключается в узкой специализации: модель классифицирует изображения таблиц по заранее заданным категориям и не выполняет полноценное OCR, распознавание текста или восстановление структуры таблицы. Модель распространяется по лицензии Apache-2.0.

syssec-utd выпустила модель py314-pylingual-v7-segmenter — дообученную RoBERTa для классификации токенов и сегментации текста. Она основана на syssec-utd/py314-pylingual-v7-mlm и обучена на наборе syssec-utd/segmentation-py314-pylingual-v7-tokenized. Модель содержит 136,3 млн параметров, использует формат safetensors и поддерживает контекст до 1026 токенов. В оценке на тестовой выборке указаны precision 0,9962, recall 0,9960, F1 0,9961 и accuracy 0,9988. Карточка не уточняет схему сегментации, языки текста или условия лицензии, поэтому область применения за пределами сегментации токенов не установлена.

prithivMLmods разработал Qwen3-VL-8B-Instruct-c_abliterated-v3 — дообученную мультимодальную модель семейства Qwen3-VL с 8 млрд параметров. Она принимает изображения и текстовые инструкции, а отвечает текстом; поддерживает анализ изображений разных разрешений, подробное описание сцен и визуальное рассуждение. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации подробных подписей и описаний изображений, визуального анализа и исследований отказов и предвзятостей мультимодальных моделей. README указывает, что последовательное abliteration-настройка ослабляет механизмы отказа, поэтому модель может выдавать откровенные или оскорбительные описания. Для инференса требуется значительная видеопамять, особенно при обработке изображений высокого разрешения и длинного текста. Лицензия — Apache-2.0.

Koichi Yasuoka подготовил эту модель на базе rinna/japanese-gpt2-small для морфосинтаксического анализа японского текста. GPT-2 дообучена на корпусе UD_Japanese-GSDLUW и предназначена для определения частей речи и зависимостей между словами; в Hugging Face она классифицирована как модель разметки токенов. Модель принимает японский текст и выдаёт токенизированную разметку, включая грамматические теги и зависимости. Архитектура — GPT-2 с плотными слоями, формат весов — PyTorch, размер контекста — 1024 токена. Лицензия — MIT.

rizzo-pii-0.3B — компактная модель rizzoaiacademy для обнаружения персональных данных в итальянских юридических текстах. Это энкодер ModernBERT на базе многоязычной jhu-clsp/mmBERT-base, дообученный для токен-классификации. Модель содержит около 306,9 млн параметров, принимает последовательности до 8192 токенов и размечает 22 категории PII с использованием BIO-схемы. Модель предназначена для локального выявления конфиденциальных данных и обратимой анонимизации документов перед передачей текста внешней LLM: значения заменяются метками-заполнителями, а локальный словарь позволяет восстановить их после обработки. Заявлены поддержка CPU и около 0,5 ГБ RAM. В тестах на итальянской выборке указаны precision 0,9876, recall 0,9900 и micro-F1 0,9888; модель ориентирована на юридические фирмы и задачи GDPR. Выпущена под лицензией MIT. Обучение было многоязычным на восьми языках, однако проверка качества проведена только для итальянского. Редкие категории могут распознаваться менее надёжно, а метки CATASTO и PROVINCE подвержены риску переобучения на шаблоны. Для структурированных полей автор рекомендует дополнять модель регулярными выражениями и проверками контрольных сумм.