I.3Извлечение и структурирование данных

Koichi Yasuoka разработал эту модель на основе японской RoBERTa, предварительно обученной на текстах 青空文庫. Модель дообучена для морфосинтаксического анализа японского текста: она размечает части речи и зависимости между словами, используя схему goeswith для связи подслов. Модель предназначена для анализа японских предложений в NLP-конвейерах. В карточке Hugging Face указаны архитектура RoBERTa, около 305,5 млн параметров и контекст до 512 токенов; модель доступна в формате PyTorch и использует датасет Universal Dependencies. Лицензия — CC BY-SA 4.0.

scandmmBERT — плотный энкодер ModernBERT на 306,9 млн параметров, дообученный продолженным предобучением на скандинавских текстах на основе jhu-clsp/mmBERT-base. Модель специализируется на шведском, датском, норвежском букмоле и нюношке, а также исландском; использует контекст до 8192 токенов и доступна в формате safetensors для Transformers. Это masked language model для предсказания пропущенных слов и базовая модель для дообучения на классификацию текста, распознавание именованных сущностей и ответы на вопросы. Она подходит для адаптации к скандинавским NLP-сценариям, но сама по себе не предназначена для генерации связного текста и не настроена под конкретную прикладную задачу. Обучение продолжено на корпусе HPLT 2.0; лицензия — Apache-2.0.

SwissBERT — маскированная языковая модель ZurichNLP для текстов, связанных со Швейцарией. Она основана на архитектуре X-MOD и содержит 151,8 млн параметров. Модель обучалась на более чем 21 млн швейцарских новостных статей из Swissdox@LiRI; для неё создан специализированный словарь подслов и языковые адаптеры для швейцарского стандартного немецкого, французского, итальянского, ретороманского Grischun и швейцарского немецкого. Максимальная длина контекста — 514 токенов. Основная задача модели — предсказывать пропущенные токены. Её также можно применять для разметки сущностей и частей речи, классификации текстов и получения векторных представлений слов, предложений и документов; генерация связного текста не является её назначением. Модель лучше подходит для письменных текстов о Швейцарии, а на других тематиках и вариантах языка может работать хуже. Предобучающий корпус не был полностью обезличен, поэтому модель могла запомнить опубликованные сведения. Лицензия — CC BY-NC 4.0.

TahrirchiBERT-small — разработанная командой Tahrirchi компактная модель-энкодер на архитектуре BERT для узбекского языка в латинской письменности. В метаданных указано 80,1 млн параметров, а README сообщает о 67 млн; модель предобучена на корпусе узбекских веб-текстов и узбекских книгах с помощью маскированного языкового моделирования. Она чувствительна к регистру и принимает последовательности длиной до 512 токенов. Модель подходит для предсказания скрытых токенов и как основа для дообучения на классификации последовательностей и токенов, а также на ответах на вопросы. Для токенизации используется байтовый BPE с размером словаря 30 528. Модель распространяется по лицензии Apache-2.0.

Trithemius Mistral 0.3 7B — дообученная автором jmars языковая модель на архитектуре Mistral для генерации текста в формате ChatML. Модель предназначена как промежуточная основа для дальнейшего улучшения модели Eliphas; заявлены структурированный вывод по JSON Schema и вызов функций. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучения. Указанное назначение — дальнейшее улучшение модели — не подтверждает пригодность к конкретным прикладным сценариям без дополнительной проверки.

ViGOS-7B — мультимодальная модель для анализа изображений, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct с помощью метода дообучения Visual Grounding On-Policy Self-Distillation. Она принимает изображение и вопрос или инструкцию, а затем формирует описание визуальных свидетельств, рассуждение и итоговый ответ. Учителя и эталонные ответы используются при обучении, но не нужны во время генерации. Модель предназначена для исследований и разработки в задачах визуальных вопросов и ответов, математических задач по изображениям и диаграммам, OCR и анализа графиков, пространственных рассуждений и визуального заземления. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст — до 128 000 токенов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. ViGOS нацелена на снижение зависимости от языковых подсказок и повышение опоры на визуальные данные. Модель может выдавать правдоподобные, но ошибочные описания и рассуждения; она не должна быть единственным основанием для решений с высокими ставками. В оценке для бенчмарков итоговый ответ извлекается из последнего блока \boxed{...}, поэтому ответы без такого формата могут не засчитываться.

Это дообученная Zainab11 модель распознавания речи на базе OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она обучена на арабской части Google FLEURS ar_eg: примерно шесть часов записанной речи на современном стандартном арабском языке от дикторов с египетским акцентом. Модель предназначена для преобразования арабской речи в текст. На тестовой выборке FLEURS она показала нормализованный WER 19,9% против 28,0% у исходной Whisper Small. На спонтанной египетской разговорной речи результаты заметно хуже: нормализованный WER составил 81,2%, поэтому для такого сценария модель не подходит без дополнительного дообучения. Использование библиотеки Transformers и весов safetensors указано в метаданных; лицензия — Apache-2.0. Пример использования ограничивает аудио 30 секундами и обрезает более длинные записи; для них README рекомендует разбиение на фрагменты или chunked pipeline. Модель также наследует известное поведение Whisper: повторы и галлюцинации при обработке длинной речи.

khadija69/xlmRobertaLarge_BIES_stem_1K_4 — дообученная модель семейства XLM-RoBERTa для классификации токенов. Она предназначена для задач разметки последовательностей, где каждому токену назначается метка. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст длиной до 514 токенов. В README приведены результаты обучения на пятой эпохе: точность на обучающей выборке 0,619, на валидационной — 0,568; функция потерь на валидационной выборке — 0,6948. Датасет и конкретная схема меток не описаны, поэтому область применения и качество на иных данных определить нельзя. Модель основана на khadija69/xlmRobertaLarge_BIES_stem_1K_3 и распространяется по лицензии MIT.

AffilGood-AffilXLM — многоязычная модель SIRIS-Lab на архитектуре XLM-RoBERTa, дообученная на задаче предсказания маскированных токенов после дополнительного обучения на 10 миллионах строк аффилиаций из OpenAlex. Она предназначена для работы с текстами организаций и исследовательских аффилиаций; такое предметно-ориентированное обучение улучшило perplexity на отложенных строках аффилиаций с 1,997 до 1,101. Модель содержит 305,2 млн параметров, принимает текст и предсказывает замаскированные токены в контексте до 514 токенов. В README приведены результаты на связанных задачах извлечения сущностей и выделения фрагментов AffilGood: для NER показатель составил 0,925, для SPAN — 0,927. Эти задачи описаны как оценка полезности адаптивного предобучения и не являются основным pipeline-тегом модели. Модель выпущена под лицензией Apache 2.0. В README отмечены возможные смещения и нежелательные искажения; при практическом применении необходимо учитывать их влияние на результаты.

ALINEAR/albert-japanese-v2 — японская языковая модель семейства ALBERT, разработанная ALINEAR Corporation и опубликованная на Hugging Face. Модель предназначена для задач заполнения пропусков в японском тексте и может использоваться как базовая модель для последующего дообучения на задачах классификации, извлечения признаков и других задачах обработки японского языка. Модель реализована на архитектуре ALBERT, поддерживает библиотеку Transformers и имеет около 137,8 млн параметров. Максимальная длина контекста составляет 512 токенов. Основная модальность — текст, задача задаётся через pipeline fill-mask. В найденных источниках сведения о лицензии отсутствуют.

Apertus 1.5 8B Biomedical ADE — дообученная текстовая модель Андреаса Мартина на базе andreasmartin/apertus-v1.5-8b-text. Она предназначена для извлечения из клинических текстов упоминаний лекарств и нежелательных явлений (ADE), включая выявление таких событий при упоминании нескольких препаратов и обработку примеров без нежелательных эффектов. Модель построена на плотной авторегрессионной архитектуре ApertusForCausalLM, содержит 10,3 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий содержит самостоятельную объединённую 16-битную модель в формате safetensors; её можно запускать через Transformers или vLLM. Обучение выполнено на датасете mihirhirave/entity_extraction_ade_v2_with_validation. Карточка описывает модель как экспериментальный исследовательский артефакт: результаты могут быть неполными или ошибочными. Модель не является медицинским изделием и не предназначена для клинических решений, диагностики, сортировки пациентов или медицинских рекомендаций. Лицензия — Apache-2.0.

CAMeLBERT-MSA-quarter — арабская языковая модель BERT от CAMeL Lab, предварительно обученная на четверти корпуса для современного стандартного арабского языка (MSA). Это плотная модель с 136,3 млн параметров и контекстом до 512 токенов; она предсказывает замаскированные токены и может использоваться для следующего предложения. Разработчики в первую очередь предлагают дообучать её для задач обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалекта и классификацию поэзии. Модель обучена на текстах из Arabic Gigaword, Abu El-Khair Corpus, OSIAN, арабской Википедии и арабской части OSCAR. Она предназначена для современного стандартного арабского языка и может быть отправной точкой для специализированных NLP-систем. Для использования модели указана лицензия Apache-2.0. Результаты зависят от задачи и данных последующего дообучения; сама базовая модель не является готовым классификатором для перечисленных прикладных задач.

AraBERTv0.2-large — предварительно обученная языковая модель для арабского языка, разработанная командой AUB Mind Lab на архитектуре BERT. Это вариант AraBERT v0.2 большого размера с плотной архитектурой BERT и примерно 468,2 млн параметров; контекст составляет до 512 токенов. В репозитории представлены веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Модель предназначена для заполнения пропусков в арабском тексте и может служить основой для дообучения на задачах понимания арабского языка, таких как анализ тональности, распознавание именованных сущностей и ответы на вопросы. Для подготовки текста авторы рекомендуют использовать препроцессор AraBERT; вариант v0.2 не требует предварительной сегментации слов, но обработка пробелов вокруг пунктуации и между числами и буквами важна для соответствия токенизатору. Модель обучена на крупном арабском корпусе, включающем Википедию, OSCAR, OSIAN, 1.5B Arabic Corpus и новостные материалы. Она рассчитана на арабский язык и сама по себе не является готовой специализированной системой для перечисленных downstream-задач: для них может потребоваться дообучение. Лицензия в предоставленных данных не указана.

yanekyuk/berturk-uncased-keyword-discriminator — дообученная модель на архитектуре BERT для турецкого языка, предназначенная для классификации токенов и выделения ключевых слов. Она основана на dbmdz/bert-base-turkish-uncased и содержит 137,8 млн параметров. Модель принимает текст и выдаёт метки для его токенов; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: F1 0,6368, точность 0,6234 и полнота 0,6508. Набор обучения не назван, а разделы с описанием назначения и ограничений не содержат дополнительных сведений, поэтому качество на других данных и практические ограничения оценить нельзя. Модель распространяется по лицензии MIT.

Zaiyaan123/biobert-ner-bc5cdr — модель на базе Transformers, предназначенная, судя по идентификатору, для распознавания именованных сущностей в биомедицинских текстах по набору данных BC5CDR. Вероятно, она использует BioBERT и ориентирована на извлечение упоминаний химических веществ и заболеваний, однако README не подтверждает архитектуру, разработчика, языки, размер, контекст или точные параметры обучения. Модель может применяться в задачах обработки научной и медицинской литературы, включая структурирование биомедицинской информации и последующий анализ сущностей. README не содержит сведений о качестве, метриках, ограничениях, рисках, обучающих данных, способе использования или лицензии. Поэтому перед применением необходимы проверка фактической архитектуры, оценка на целевых текстах и уточнение условий распространения. Разработчик в карточке не указан.

ttlanhhh/biogpt-ner — дообученная модель Microsoft BioGPT для классификации токенов, предназначенная для разметки сущностей в биомедицинском тексте. Она основана на архитектуре GPT-2 и принимает текст, выдавая метки для токенов. Контекст модели составляет 1024 токена. В README приведены результаты оценки: F1 0,5070, точность 0,4664, полнота 0,5553 и accuracy 0,9572; набор меток и данные обучения не описаны. Модель распространяется по лицензии MIT.

Blood Test Explainer — MiniCPM-V 4.6 — компактная мультимодальная модель примерно на 1,3 млрд параметров, созданная для Build Small hackathon Романом и Димитрисом из American College of Greece / Deree AI Lab. Это дообученная версия openbmb/MiniCPM-V-4.6: LoRA обучали на языковых слоях, заморозив визуальный энкодер, а затем объединили с базовой моделью. Модель принимает фото или PDF бланка анализа крови и извлекает показатели, значения, единицы измерения, референсные диапазоны и отметки о повышенных или пониженных результатах в структурированный JSON; её можно запускать локально без подключения к сети. Модель предназначена для образовательного извлечения и объяснения результатов рутинных анализов крови. В описанной оценке на небольшой выборке размеченных бланков она показала F1 0,746, полноту 0,647 и точность 0,880; авторы отмечают, что результаты следует считать ориентировочными. Для объяснений приложение сочетает модель с курированной медицинской базой знаний. Лицензия — Apache-2.0, как у базовой модели. Модель может ошибаться при распознавании значений, особенно на зашумлённых сканах, а оценка проведена на небольшой выборке. Это образовательный инструмент, а не средство диагностики или замена консультации врача.

Модель разработана Хань Чэн Ю и Яо-Чун Фан из лаборатории обработки естественного языка Национального университета Чжунсин. Это BERT-base-chinese, дообученная на наборе DRCD для ответов на вопросы по тексту: модель извлекает ответ из контекста, связанного с вопросом. Архитектура — плотная BERT с 129,5 млн параметров; модель использует PyTorch и рассчитана на контекст до 512 токенов. Основной язык — китайский. Модель подходит для задач машинного чтения и поиска ответов в китайских текстовых фрагментах. Она не предназначена для свободной генерации развернутых ответов вне предоставленного контекста. В карточке лицензия не указана.

ChakuChidiya/distilbert-base-uncased-G2 — дообученная модель DistilBERT для классификации токенов. Она основана на ChakuChidiya/distilbert-base-uncased-G1 и предназначена для задач разметки отдельных токенов во входном тексте. Архитектура — DistilBERT с головой token classification; длина контекста — до 512 токенов. Репозиторий содержит формат TensorFlow. Модель опубликована ChakuChidiya и лицензирована по Apache-2.0. В карточке указано дообучение на неизвестном датасете, но конкретная схема меток, область применения и результаты оценки не описаны, поэтому пригодность для определённых видов разметки не установлена.

Карточка модели EdgeAIMed/EdgeAIMed-NER-OncologyDetect-TinyMed-65M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M, поэтому описание составлено по ней. OpenMed-NER-OncologyDetect-TinyMed-65M — модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это дообученная модель DistilBERT на 65 млн параметров с классификацией токенов; она выделяет сущности из корпуса BioNLP 2013 CG, включая гены и их продукты, виды рака, клетки, ткани, органы, химические вещества и другие биомедицинские категории. Контекст модели — до 512 токенов, результат представляется BIO-метками для токенов. Модель подходит для извлечения сущностей из научных публикаций и медицинских документов, анализа онкологической литературы и подготовки данных для биомедицинских графов знаний. В README приведены F1 и precision 0,77, recall 0,77 и accuracy 0,90 на используемом наборе оценки; эти показатели не гарантируют такое же качество на иных текстах. Архив весов опубликован в формате safetensors. Лицензия — Apache-2.0.

FineMed Medical-Entity Extractor (FR) — модель DoctoLlib для извлечения медицинских сущностей из франкоязычных медицинских документов и веб-текстов. Она размечает фрагменты текста по восьми классам таксономии, адаптированной из UMLS, включая заболевания, лекарства и части тела. Модель используется для вычисления плотности медицинских терминов в корпусе FineMed-fr: доли символов документа, покрытых извлечёнными фрагментами. Это GLiNER2, дообученная на аннотациях, созданных и проверенных LLM; базовая модель — fastino/gliner2-multi-v1. Для расчёта показателя FineMed-fr авторы рекомендуют обрабатывать среднее окно длиной 512 токенов. Модель предназначена для корпусной разметки французских медицинских текстов, а не для клинических решений или исчерпывающего извлечения сущностей из целого документа. Распространяется по лицензии Apache-2.0.

Модель thealper2/flan-t5-base-medal-abbreviation-expansion разработана на основе google/flan-t5-base и дообучена на подмножестве MeDAL для раскрытия медицинских сокращений с учётом контекста. На вход подаются контекстное окно и сокращение, на выходе модель генерирует его полную расшифровку. Это текстовая модель семейства T5 с архитектурой T5ForConditionalGeneration, содержащая 123,8 млн параметров; базовая модель поддерживает несколько языков, но эта версия предназначена для английских медицинских текстов. Нативная длина контекста — 512 токенов. На тестовой выборке MeDAL точность Exact Match составила 41,87%; в оценке контекстный вариант заметно превзошёл вариант без контекста. Модель обучалась на аннотациях к публикациям PubMed, поэтому её качество на клинических записях не проверено. Метки датасета могут быть шумными, входы с обычной пунктуацией и регистром могут отличаться от обучающих данных, а сгенерированные формулировки могут не совпадать с каноническими вариантами. Модель не валидирована для клинического применения. Лицензия — Apache-2.0.

ania3000/kuosbert-morph — дообученная модель семейства BERT для классификации токенов. Она создана на основе ania3000/kuosbert-from_multilingual и предназначена для разметки отдельных токенов во входном тексте. Модель содержит 205,1 млн параметров, использует формат safetensors и работает с контекстом до 512 токенов. В README приведены результаты оценки: loss 1,1742, accuracy 89,634% и точность на уровне предложений 32,1484%. Набор данных для дообучения не назван, поэтому конкретный тип разметки и языковую специализацию модели определить нельзя. Модель распространяется по лицензии Apache-2.0.

Extract-0.6B — компактная мультимодальная модель восприятия из двухэтапной системы Extract+Think, описанной в работе «Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models». Она построена на архитектуре LlavaQwen3ForCausalLM и объединяет Qwen3-0.6B с визуальным энкодером SigLIP SO400M. Размер модели — около 508 млн параметров, контекст — до 40 960 токенов. Модель предназначена для извлечения из изображения деталей, важных для инструкции, и передачи полученных сведений отдельной модели этапа рассуждения. Вариант обучен с нуля в рамках визуальной настройки на извлечение, без предварительной визуальной настройки по инструкциям или обучения описанию изображений. В README упоминается оценка через lmms-eval. Лицензия в предоставленных данных не указана.

LumynaX Doc Nougat Base — экспериментальный архивный выпуск AbteeX AI Labs для преобразования изображений страниц академических PDF в текст Markdown. Он основан на facebook/nougat-base и использует архитектуру vision-encoder-decoder; веса исходной модели сохранены без композиции, а интеграция описана как маршрутизация во время выполнения. Модель предназначена для извлечения текста из страниц научных документов, чтобы затем обрабатывать его и искать по нему. В карточке перечислены английский и маори как языки модели. Модель построена для обработки изображений страниц и выдачи текста; формат репозитория — PyTorch и safetensors, используется библиотека Transformers. Выпуск помечен как устаревший, не поддерживается и не рекомендуется для производственного применения. Лицензия — CC BY 4.0.

Ministral-3B-PII-Preview — языковая модель на 3,3 млрд параметров от OpenMed для обнаружения персональных данных в неструктурированном тексте. Она извлекает найденные сущности и возвращает их в виде структурированного JSON-массива с типами; для текста без персональных данных модель может вернуть пустой массив. Модель построена на архитектуре Mistral 3 и используется через библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для извлечения персональных данных в сценариях проверки документов, клинических текстов и поддержки процессов конфиденциальности и соответствия требованиям. README сообщает о поддержке 20 языков в тестах, хотя обучающие данные были только на английском. На англоязычном тесте из 1 000 примеров все ответы были валидным JSON; многоязычная оценка показала более слабые результаты на сыром выводе для ряда языков, включая русский, а идеальные показатели после обработки достигались с отдельным детерминированным постпроцессингом. Модель принимает только текст; извлечение персональных данных из изображений не поддерживается, несмотря на тег image-text-to-text в метаданных. Она специализирована на PII, поэтому не предназначена для общего NER или обычного диалога. Возможны пропуски сущностей и неверные метки, особенно при узкоспециальной лексике и нестандартных форматах; для комплаенса её следует применять как часть более широкой системы, а не как единственную проверку.

ania3000/mmbert-base-kuoss-morph — дообученный авторами репозитория чекпойнт jhu-clsp/mmBERT-base для классификации токенов. Модель использует плотную архитектуру ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Она предназначена для разметки отдельных токенов входного текста, например морфологического анализа. В README приведены результаты оценки: точность 92,51% и точность на уровне предложений 47,91%; набор данных и детали оценки не описаны. Базовая mmBERT — многоязычный энкодер; конкретная языковая специализация этого чекпойнта не подтверждена. Модель распространяется по лицензии MIT.

OdiaGenAIOCR разработала модель для распознавания печатного текста на письме одия. Это дообученная с помощью LoRA модель Qwen2.5-VL-3B-Instruct: она принимает изображение и возвращает распознанный текст. Модель рассчитана прежде всего на отдельные слова, вырезанные из изображений; обучение проводилось на 145 тысячах таких фрагментов из нескольких корпусов одия. В метаданных указаны 3,1 млрд параметров, контекст 128 000 токенов и формат safetensors. На чистых изображениях с высоким контрастом модель часто точно распознаёт слова. Сложные соединения букв и диакритические знаки вызывают ошибки, а длинные слова могут обрезаться; рукописный и сильно ухудшенный текст подходят хуже. Смешанные документы на одия и английском не тестировались. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-ElectraMed-335M — специализированную модель на базе трансформера для распознавания анатомических сущностей в биомедицинских текстах. Она выполняет классификацию токенов и помечает названия анатомических структур, органов и частей тела тегами BIO B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических терминов из медицинской документации и научной литературы, а также для построения систем анализа биомедицинских текстов. В карточке указаны 433,9 млн параметров, архитектура BERT, контекст до 512 токенов и формат Safetensors; заявлена совместимость с Transformers. README описывает обучение на корпусе ANATOMY и приводит F1 0,90, точность 0,90, полноту 0,90 и accuracy 0,98. Модель рассчитана на английский язык и специализированный медицинский текст. Она выделяет анатомические сущности, а не выполняет общее медицинское понимание; метрики из карточки сами по себе не подтверждают качество на других корпусах или клинических сценариях. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-PubMed-335M — специализированную модель распознавания анатомических сущностей в биомедицинском тексте. Это дообученная модель архитектуры BERT для классификации токенов, основанная на BiomedNLP-BiomedBERT-large-uncased-abstract. Она помечает упоминания анатомических структур и частей тела тегами B-Anatomy и I-Anatomy и возвращает BIO-разметку. Размер модели — 433,9 млн параметров, максимальная длина контекста — 512 токенов; поддерживается английский язык. Модель предназначена для извлечения анатомических сущностей из медицинских записей и научной литературы, биомедицинского майнинга текста и построения баз знаний. В карточке указаны F1 0,91, точность 0,90 и полнота 0,91 на наборе ANATOMY. Это узкая модель для распознавания анатомических сущностей, а не универсальный медицинский помощник; качество на других типах текстов и языках карточка не подтверждает. Лицензия — Apache-2.0.