I.3Извлечение и структурирование данных

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная модель EuroBERT для классификации токенов: она присваивает токенам BIO-метки B-GENE/PROTEIN и I-GENE/PROTEIN, чтобы выделять границы сущностей. В README указано обучение на корпусе BC2GM с аннотациями генов и белков в аннотациях MEDLINE. Модель предназначена для извлечения генов и белков из научной литературы и клинических документов, в том числе для поиска по биомедицинской литературе и построения баз знаний. В метаданных указаны 211,7 млн параметров, контекст до 8192 токенов, английский язык и формат safetensors. Лицензия — Apache-2.0. В README приведены F1 0,68, точность 0,66, полнота 0,69 и accuracy 0,92 на BC2GM. Эти результаты указывают на ограничения качества, особенно при точном извлечении сущностей; заявленная применимость к клиническим сценариям не сопровождается подробными результатами клинической валидации. Модель не следует считать средством диагностики или самостоятельного принятия медицинских решений.

OpenMed разработала специализированную модель распознавания упоминаний генов и белков в биомедицинском тексте. Это дообученная на корпусе BC2GM модель семейства RoBERTa на базе distilroberta-base с архитектурой RobertaForTokenClassification; размер — 95,2 млн параметров, контекст — до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научной литературы, медицинских записей и других биомедицинских документов, например для поиска по публикациям и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,85, точность 0,82 и полнота 0,87. Модель рассчитана на англоязычные тексты. Лицензия — Apache-2.0.

OpenMed/OpenMed-NER-OncologyDetect-SuperClinical-184M — модель OpenMed для распознавания биомедицинских сущностей в тексте методом NER. Это дообученная модель DeBERTa-v2 для классификации токенов; она выделяет, среди прочего, раковые заболевания, гены и продукты генов, клетки, ткани, органы, химические вещества и аминокислоты. Модель обучена на корпусе BioNLP 2013 CG и принимает токенизированный текст, возвращая метки сущностей в формате BIO. Поддерживает английский язык, максимальная длина контекста — 512 токенов; размер по метаданным — 211,6 млн параметров. Модель предназначена для извлечения сущностей из онкологических научных публикаций и биомедицинских документов, например для поиска генетических упоминаний и подготовки данных для анализа литературы. В README приведены значения F1 0,81, точности 0,80 и полноты 0,82 на указанном наборе данных. Эти результаты относятся к описанному бенчмарку; качество на других текстах может отличаться. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-OncologyDetect-TinyMed-66M — дообученную модель DistilBERT для распознавания биомедицинских именованных сущностей, прежде всего связанных с генетикой рака. Модель принимает токенизированный текст и возвращает BIO-разметку для генов и их продуктов, опухолей, клеток, тканей, химических соединений и других типов сущностей; в карточке указано 27 дополнительных типов меток. Контекст ограничен 512 токенами. Модель предназначена для извлечения сущностей из научной литературы, медицинских записей и документов по онкологии, включая поиск генов и биомаркеров в исследованиях. По README, она обучена на корпусе BioNLP 2013 CG; заявленные метрики на этом наборе — F1 0,77, точность 0,76 и полнота 0,77. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других текстах или типах документов. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-OrganismDetect-ModernClinical-149M — модель OpenMed для распознавания названий организмов и видов в тексте с помощью разметки последовательности токенов. Это дообученный ModernBERT с архитектурой ModernBertForTokenClassification, 149 млн параметров и контекстом до 8192 токенов. Модель обучена на корпусе SPECIES800 и выделяет сущности метками B-SPECIES и I-SPECIES; поддерживает научные и общеупотребительные названия видов. Модель предназначена для извлечения упоминаний организмов из биомедицинских текстов, научных публикаций и других документов. Её можно применять для текстового поиска по биологической литературе, анализа таксономических упоминаний и построения баз знаний о биоразнообразии. В README указаны F1 0,73, точность 0,75, полнота 0,72 и accuracy 0,95 на SPECIES800. Модель принимает токенизированный текст и возвращает метки сущностей для токенов. Карточка указывает лицензию Apache-2.0. Оценки из README относятся к SPECIES800; качество на иных текстах может отличаться.

OpenMed разработала OpenMed-NER-PharmaDetect-PubMed-109M — модель на базе BiomedNLP-BiomedBERT для распознавания химических сущностей в биомедицинских текстах. Это дообученный BERT-классификатор токенов размером 136,7 млн параметров с контекстом до 512 токенов; он размечает названия химических соединений, лекарств и терапевтических веществ тегами BIO. Модель предназначена для извлечения химических сущностей из аннотаций PubMed, научных публикаций и медицинских записей. Её можно применять для поиска лекарств в текстах, анализа биомедицинской литературы и подготовки данных для фармаконадзора и исследований разработки лекарств. В README приведены показатели на BC5CDR-Chem: F1 0,96, точность 0,94 и полнота 0,97. Модель принимает токенизированный текст и выдаёт метки сущностей для токенов. Она обучена на англоязычном наборе BC5CDR-Chem, поэтому её назначение ограничено распознаванием химических сущностей в биомедицинском тексте; качество на иных доменах и языках не подтверждено. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-BioMed-335M — модель OpenMed для распознавания и классификации белковых сущностей в биомедицинских текстах. Это дообученная модель на архитектуре BERT для token classification, основанная на BiomedNLP-BiomedELECTRA-large-uncased-abstract. В README заявлено обучение на корпусе FSU, посвящённом белкам и молекулярной биологии. Модель обрабатывает токенизированный текст и выдаёт BIO-разметку для белков, белковых комплексов, семейств и вариантов; контекст ограничен 512 токенами. Её можно применять для извлечения упоминаний белков из научных статей и медицинских документов, а также для подготовки данных для анализа белковых взаимодействий и построения биомедицинских баз знаний. README сообщает F1 0,94 на FSU, но не приводит подробностей протокола оценки. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Выделение сущностей само по себе не подтверждает клинические выводы и не заменяет экспертную проверку.

OpenMed-NER-SpeciesDetect-BigMed-278M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученный для классификации токенов трансформер XLM-RoBERTa с примерно 305 млн параметров и контекстом до 514 токенов. Модель присваивает токенам BIO-метки B-SPECIES и I-SPECIES, помогая выделять названия видов и организмов в научных публикациях и других текстах. Модель предназначена для извлечения видовых сущностей из биомедицинской литературы, клинических документов и исследовательских материалов, а также для последующего анализа и построения баз знаний. В README указаны обучение на корпусе LINNAEUS и F1 0,74, точность 0,76 и полнота 0,72; эти результаты указывают, что выделенные сущности требуют проверки для задач с высокими требованиями к качеству. Карточка заявляет совместимость с экосистемой Transformers. Лицензия — Apache-2.0.

OpenMed-NER-SpeciesDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная модель архитектуры BERT для классификации токенов с разметкой BIO; она принимает токенизированный текст и выдаёт метки сущностей B-SPECIES и I-SPECIES. По метаданным модель содержит 433,9 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Модель предназначена для извлечения названий видов из научной литературы и других биомедицинских материалов, а также для последующего таксономического анализа и построения баз знаний. В карточке указано обучение на корпусе LINNAEUS и приведены метрики F1 0,95, точность 0,93 и полнота 0,97; эти показатели относятся к оценке, описанной авторами, и не гарантируют аналогичных результатов на произвольных данных. Язык карточки — английский. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Italian-BiomedELECTRA-Base-110M-v1 — модель на базе архитектуры BERT, дообученную для токенной классификации и поиска персональных данных в итальянском тексте. Она распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Число параметров в метаданных — 136,7 млн; максимальная длина контекста — 512 токенов. Модель предназначена для обнаружения и последующего удаления или маскирования персональных данных в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных к исследованиям и аудита документов. В README указана оценка Micro F1 0,92 на итальянской части набора AI4Privacy PII Masking 400k. Модель принимает текст и выдаёт метки для его токенов. Модель дообучена на microsoft/BiomedNLP-BiomedELECTRA-base-uncased-abstract и распространяется по лицензии Apache-2.0. Она оптимизирована для итальянского языка; README предупреждает о возможных пропусках персональных данных и снижении качества на специализированной терминологии, поэтому критические результаты требуют проверки человеком.

OpenMed-PII-Italian-BiomedELECTRA-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель токеновой классификации на базе microsoft/BiomedNLP-BiomedELECTRA-large-uncased-abstract, построенная на архитектуре BERT; в метаданных указано 433,9 млн параметров, а длина контекста составляет 512 токенов. Модель размечает 54 типа чувствительной информации, включая идентификаторы, персональные и медицинские сведения, контакты, адреса, организации, финансовые и временные данные. Она предназначена для обезличивания клинических записей и документов, предварительной очистки наборов данных и поиска PII при аудите. В README сообщается о Micro F1 0,9583 на итальянской части набора AI4Privacy PII Masking 400k. Модель работает с текстом и возвращает метки для токенов. Она оптимизирована для итальянского языка, а качество на других языках и при специализированной терминологии может быть ниже; возможны пропуски PII, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalE5-Base-109M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель на основе intfloat/e5-base-v2 с архитектурой BERT и головой токен-классификации; в метаданных указано 136,7 млн параметров, а карточка округляет размер до 109 млн. Модель принимает текст и помечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые данные, контакты и даты. Контекст ограничен 512 токенами. Модель предназначена для обезличивания клинических записей и медицинских документов, подготовки наборов данных к исследованиям, а также поиска чувствительных данных при аудите. На итальянской части AI4Privacy она показала micro F1 0,9360. Лицензия — Apache-2.0. Карточка позиционирует модель как готовую к производственным конвейерам, но рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски персональных данных, качество зависит от терминологии предметной области, а для языков кроме итальянского модель не оптимизирована.

OpenMed-PII-Italian-ClinicalLongformer-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в итальянском тексте. Это дообученная для токенной классификации LongformerForTokenClassification на базе yikuan8/Clinical-Longformer; в метаданных указаны 151,8 млн параметров и контекст до 4098 токенов. Модель принимает текст и размечает сущности, включая имена, адреса, идентификаторы, медицинские записи, финансовые и контактные сведения. Она предназначена для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при проверках приватности. В README сообщается об оценке на итальянской части AI4Privacy: micro-F1 0,9514. Модель оптимизирована для итальянского; качество на других языках может быть ниже. README рекомендует использовать её как вспомогательный инструмент и проверять результаты человеком, поскольку возможны пропуски и качество зависит от терминологии. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в испанском тексте. Это модель на архитектуре BERT для классификации токенов, дообученная на испанской части набора AI4Privacy PII Masking 400k. Она распознаёт 54 типа сущностей, включая имена, адреса, телефоны, электронную почту, идентификаторы, финансовые и медицинские сведения. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, медицинских документов и других испаноязычных текстов, а также для подготовки датасетов и аудита документов. В оценке на испанской части AI4Privacy указана микро-F1 0,8569. Для лучшего результата README рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для привязки найденных сущностей к исходному тексту. Результаты могут содержать пропуски, а качество зависит от терминологии и контекста; для критически важных применений требуется проверка человеком. Модель оптимизирована для испанского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Vietnamese-SuperClinical-Base-184M-v1 — модель на базе DeBERTa для классификации токенов и обнаружения персональных данных во вьетнамском тексте. Она выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель предназначена для деидентификации клинических записей и документов, подготовки наборов данных к исследованиям и поддержки аудита конфиденциальности. Модель дообучена на microsoft/deberta-v3-base, имеет около 211,6 млн параметров и контекст до 512 токенов. Для обучения использовались многоязычный набор AI4Privacy, данные NVIDIA Nemotron-PII для генерации синтетических примеров и синтетические вьетнамские данные. В карточке приведён показатель Micro F1 0,7343 на тестовой выборке, составленной из AI4Privacy и синтетических данных. Модель выпущена по лицензии Apache-2.0. Модель ориентирована на вьетнамский язык; качество на других языках может быть ниже. Она может пропускать чувствительные данные, а результаты на специализированной терминологии могут меняться, поэтому для критичных сценариев требуется проверка человеком.

PhoBERT-base-v2 — монолингвальная языковая модель для вьетнамского языка, разработанная Dat Quoc Nguyen и Anh Tuan Nguyen. Это энкодер на архитектуре RoBERTa с примерно 162,4 млн параметров; он предобучен на маскированном языковом моделировании на вьетнамской Википедии, новостных текстах и корпусе OSCAR-2301. Максимальная длина контекста — 258 токенов. Модель предназначена для заполнения пропусков в тексте и служит основой для адаптации к задачам обработки вьетнамского языка, включая разметку частей речи, синтаксический анализ зависимостей, распознавание именованных сущностей и вывод на естественном языке. Для подачи необработанного вьетнамского текста README рекомендует предварительную сегментацию слов с помощью RDRSegmenter из VnCoreNLP, а также нормализацию тонов и сегментацию предложений. Модель выпущена по лицензии AGPL-3.0.

pii-layout-synth-v11 — модель на базе ModernBERT-base, дообученная для классификации токенов. По названию репозитория она предназначена для синтетической разметки персональных данных с учётом структуры макета, однако README не раскрывает назначение подробнее. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности текста с контекстом до 8192 токенов. В README приведены результаты на оценочном наборе: F1 0,9926, точность 0,9907, полнота 0,9945 и accuracy 0,9987. Датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

NotoriousH2/Qwen3-0.6B-JSON-SFT — компактная плотная языковая модель на архитектуре Qwen3, дообученная автором методом полного SFT на базе Qwen/Qwen3-0.6B. Она преобразует корейские протоколы совещаний в JSON с полями meeting_metadata, action_items, decisions и blockers. Модель рассчитана на извлечение сведений о встрече и структурирование поручений, решений и препятствий для последующей автоматической обработки. Для дообучения использовано 1 115 примеров из NotoriousH2/meeting-to-json-ko; максимальная длина последовательности при обучении составляла 3 072 токена. В тесте из 273 примеров автор сообщает parse rate 98,9%, соответствие схеме 97,8% и долю семантически корректных ответов 96,4%; это результаты собственной оценки с температурой 0. Модель содержит около 507,9 млн параметров, принимает текст и генерирует текстовый JSON; метаданные указывают контекст до 40 960 токенов. Модель специализирована на корейских протоколах и не подтверждена для других языков или типов документов. Указанные метрики относятся к конкретному тесту и методике автора. Сведения о лицензии в предоставленных данных отсутствуют.

Tommert25/robbert0410_lrate7.5b32 — дообученная модель для классификации токенов, созданная на основе нидерландской RobBERT-v2 Dutch Base с архитектурой RoBERTa. Модель содержит 144 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Она предназначена для задач разметки отдельных токенов в тексте. В README приведены результаты оценки: loss 0,4559, precision 0,8283, recall 0,8004, F-мера 0,8131 и accuracy 0,9159. Датасет и конкретный тип разметки не описаны, поэтому результаты не позволяют установить, для каких именно классов или сценариев модель обучалась. Лицензия — MIT.

benjamin/roberta-base-wechsel-german — немецкоязычная модель RoBERTa-base, обученная с применением метода WECHSEL для эффективной инициализации эмбеддингов подслов при переносе монолингвальных языковых моделей между языками. По метаданным, модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и обрабатывает последовательности длиной до 514 токенов. Модель предназначена для заполнения пропусков в немецком тексте и может служить основой для задач понимания языка. В README приведены результаты сравнений для распознавания именованных сущностей и вывода на естественном языке: средний показатель для этой модели указан выше, чем у deepset/gbert-base в представленной таблице. Опубликована в форматах PyTorch и Safetensors. Лицензия — MIT. README ссылается на статью о методе WECHSEL, но не приводит ссылок на код или публикацию.

EMBO/sd-smallmol-roles-v2 — модель разметки токенов на базе BioLinkBERT-large, дообученная на наборе source_data_nlp. Она предназначена для присвоения меток отдельным токенам текста; название модели указывает на роли малых молекул, однако README не уточняет схему меток и сценарии разметки. Модель построена на архитектуре BERT, содержит 432,2 млн параметров и рассчитана на контекст до 512 токенов. Для запуска используются веса PyTorch. На тестовой выборке авторы сообщают F1 0,9672, точность 0,9628 и полноту 0,9716. Модель выпущена под лицензией Apache-2.0. Описание обучающих данных, ограничений и конкретного назначения в карточке отсутствует.

stanfordnlp/stanza-da — модель Stanza для датского языка, опубликованная командой Stanford NLP. Она предназначена для лингвистического анализа датского текста в составе набора инструментов Stanza; семейство охватывает обработку текста от исходной строки до синтаксического анализа и распознавания сущностей. В Hugging Face модель размечена задачей token-classification и распространяется в формате PyTorch через библиотеку Stanza. Модель принимает текст и выдаёт результаты токенной классификации. Репозиторий распространяется по лицензии Apache-2.0. Карточка не уточняет архитектуру, размер модели, длину контекста и конкретные типы разметки для этого чекпойнта.

texture-frames-trigger — англоязычная модель для этапа поиска триггеров семантических фреймов в предложении, разработанная как часть парсера FrameNet texture-frames. Это классификатор токенов на базе DeBERTa V3 Large с 533,8 млн параметров, дообученный на FrameNet 1.7 с разбиением документов Open-Sesame. Модель присваивает токенам метки O или TRIGGER и выделяет слова, вызывающие семантический фрейм. Модель предназначена для использования в составе конвейера, который после поиска триггеров определяет фреймы и их аргументы; также её можно загрузить напрямую через Transformers как AutoModelForTokenClassification. На тестовом разбиении Open-Sesame указана word-level F1 0,750 против 0,735 у базовой модели T5; один прямой проход занимает около 50–60 мс. Контекст ограничен 512 токенами. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

bartelds/whisper-large-v3-turbo-fy-cv22 — дообученная модель распознавания речи на базе openai/whisper-large-v3-turbo. Она предназначена для транскрибирования фризского языка (fy-NL) и обучена на данных Common Voice 22.0. Модель использует архитектуру Whisper и принимает аудио; размер составляет 905,2 млн параметров. В обучении энкодер был заморожен, адаптировалась часть декодера. В README указаны WER 0,0479 на dev и 0,0574 на test для выборок примерно по часу. Обучающие записи разделены по говорящим относительно dev и test, аудио приведено к 16 кГц, длительность клипов ограничена 30 секундами. Модель рассчитана на голосовые записи, похожие на Common Voice; на радио, телефонной речи и шумном аудио качество может снижаться. Для оформления регистра и пунктуации может понадобиться постобработка. Лицензия — MIT.

dbmdz/bert-base-italian-xxl-cased — итальянская языковая модель BERT, выпущенная командой MDZ Digital Library Баварской государственной библиотеки. Это версия XXL с сохранением регистра, обученная на корпусе объёмом 81 ГБ и около 13,1 млрд токенов из итальянской части OSCAR, корпуса OPUS и Википедии. Архитектура — BERT с 137,9 млн параметров; модель предсказывает пропущенные токены и поддерживает контекст до 512 токенов. Модель предназначена для заполнения пропусков и может служить основой для адаптации под итальянские задачи анализа текста, включая разметку именованных сущностей и частей речи. Она обучена на итальянских данных и сохраняет регистр слов. В README отмечено несоответствие размера словаря в конфигурации фактическому размеру словаря (31 102 токена); авторы указывают, что модель работает, а оценки проводились с этим несоответствием. Лицензия — MIT.

CKIP BERT Tiny Chinese — компактная модель семейства BERT от CKIP Lab, представленная в проекте с инструментами обработки традиционного китайского языка. В карточке указана архитектура BertForTokenClassification, около 12,8 млн параметров и контекст до 512 токенов. Модель предназначена для классификации токенов; проект CKIP также охватывает сегментацию слов, разметку частей речи и распознавание именованных сущностей. Для работы автор рекомендует использовать BertTokenizerFast. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Карточка не уточняет точность модели и её результаты на тестовых наборах.

Koichi Yasuoka разработал эту BERT-модель для разметки китайского текста по частям речи. Она дообучена на основе hfl/chinese-roberta-wwm-ext и присваивает словам теги UPOS из универсальной системы частей речи. Обучающие тексты взяты из китайской Википедии на упрощённом и традиционном китайском. Модель предназначена для токенной классификации: её можно применять для автоматической разметки частей речи в китайских текстах и как компонент синтаксического анализа зависимостей. Размер составляет 129,5 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Koichi Yasuoka разработал модель DeBERTa V2 для разметки японского текста: она определяет части речи и выполняет синтаксический разбор зависимостей, используя отношение goeswith для сегментов слов. Модель дообучена на базе KoichiYasuoka/deberta-base-japanese-wikipedia-luw-upos с использованием Universal Dependencies Japanese GSDLUW; предобучение проводилось на японской Википедии и текстах Aozora Bunko. Модель содержит 137,8 млн параметров, принимает текст и работает с контекстом до 512 токенов. Она предназначена для морфологического и синтаксического анализа японских текстов, например для обработки статей и учебных материалов. Опубликована под лицензией CC BY-SA 4.0.

Koichi Yasuoka разработал эту DeBERTa V2 Large, дообученную на текстах Aozora Bunko для разметки частей речи и разбора зависимостей в японском тексте. Модель размечает длинные единицы слов тегами UPOS и признаками FEATS; в Transformers она используется как модель классификации токенов. Модель содержит 435,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Она предназначена для японского языка и обучена на данных Universal Dependencies. Распространяется под лицензией CC BY-SA 4.0.

grahamas/distilbert-base-uncased-finetuned-upos — модель grahamas, дообученная на базе distilbert/distilbert-base-uncased для классификации токенов. По названию репозитория модель предназначена для присвоения токенам универсальных частей речи (UPOS). Архитектура — DistilBertForTokenClassification; контекст — до 512 токенов. Весы опубликованы в формате safetensors. Модель может использоваться для автоматической разметки частей речи в текстах на английском языке. В README приведено значение loss 0,1416 на оценочной выборке, но набор данных, метрики качества и подробности обучения не раскрыты. Лицензия — Apache-2.0.