I.3Извлечение и структурирование данных

EDS-Pseudo — гибридная модель AP-HP на базе библиотеки edsnlp для обнаружения идентифицирующих сведений в документах. Публичная предварительно обученная версия обучена на синтетических данных; в README указано, что её преимущественно проверяли на клинических отчётах хранилища клинических данных AP-HP. Модель сочетает правила и глубокое обучение и размечает сущности для последующей псевдонимизации или редактирования документов. Модель предназначена для извлечения персональных данных, включая адреса, даты и даты рождения; в карточке также заявлена медицинская направленность и французский язык. Для запуска используется edsnlp. Репозиторий содержит веса safetensors, лицензия — BSD 3-Clause. В README приведены высокие оценки точности и полноты для нескольких типов сущностей, однако тестирование на синтетических данных и клинических отчётах AP-HP не гарантирует такие же результаты на других типах документов и данных.

kl3m-002-170m — компактная языковая модель ALEA Institute, первоначально разработанная 273 Ventures и переданная институту. Она предназначена для юридических, регуляторных и финансовых рабочих процессов, а также для дообучения под специализированные задачи и использования при обучении более крупных моделей. Модель основана на плотной архитектуре GPT-NeoX с причинным языковым моделированием; метаданные указывают 134,2 млн параметров, а карточка округляет размер до 170 млн. Контекст составляет 4096 токенов. Модель работает с текстом, обучена преимущественно на английском языке и распространяется под лицензией CC-BY 4.0. Среди подходящих сценариев — черновики положений договоров, базовые ответы на регуляторные вопросы и извлечение структурированных данных в JSON. Разработчик отмечает низкую токсичность и эффективность запуска на потребительском оборудовании; модель получила сертификацию Fairly Trained L-Certification за практики работы с обучающими данными. Она небольшая и не настроена на следование инструкциям, поэтому её возможности общего назначения ограничены. Юридические и регуляторные ответы могут быть фактически неверными и требуют проверки специалистом; модель не заменяет профессиональную юридическую консультацию.

Koichi Yasuoka разработал эту ModernBERT Large для морфологического анализа японского текста. Модель дообучена на базе KoichiYasuoka/modernbert-large-japanese-wikipedia и размечает длинные единицы слов тегами UPOS и FEATS; карточка также указывает назначение для синтаксического анализа зависимостей. Модель принимает японский текст и выдаёт разметку токенов. Архитектура ModernBERT, около 409,7 млн параметров, контекст до 8192 токенов. Базовая модель предварительно обучена на японской Википедии и текстах Aozora Bunko. Лицензия — Apache-2.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в чешских клинических текстах. Это дообученная DT4H/CardioBERTa.cs модель RoBERTa для классификации токенов с BIO-разметкой: O, B-DISEASE и I-DISEASE. Размер модели — 153,2 млн параметров, максимальная длина контекста — 514 токенов; веса доступны в формате safetensors. Модель предназначена для извлечения границ упоминаний заболеваний в медицинских записях и клинических документах на чешском языке. На тестовом наборе MultiClinNER строгая F1 составила 0,5276, а символьная F1 — 0,6951. Для воспроизведения оценок требуется токенизация, соответствующая обучающей; предсказания на границах рядом с пунктуацией могут отличаться при обычной токенизации. Авторы не оценивали встроенные смещения модели. Лицензия — CC BY 4.0.

Mursit-Base — турецкоязычная masked language model, разработанная NewMind AI и обученная с нуля на корпусах, преимущественно состоящих из турецких текстов, включая юридические документы и общие веб-данные. Модель основана на архитектуре ModernBERT-base, содержит 155,6 млн параметров и рассчитана на последовательности длиной до 1 024 токенов. Модель предсказывает замаскированные токены и служит базой для извлечения признаков в задачах классификации текста, распознавания именованных сущностей и других downstream-сценариях. В карточке также упомянуты ответы на вопросы и использование представлений для поиска; для прикладных задач модель может потребовать дообучения или дополнительной настройки. Турецкий токенизатор оптимизирован для морфологии языка. Доступны веса PyTorch, Safetensors и ONNX. Модель выпущена по лицензии Apache-2.0. Показатель MLM accuracy на турецких наборах в карточке составляет 57,62%; качество на конкретных downstream-задачах зависит от настройки и данных.

OpenMed-NER-DNADetect-BigMed-560M — модель OpenMed для распознавания биомедицинских именованных сущностей. Это дообученный трансформер XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 658,7 млн параметров. Модель принимает текст и присваивает токенам BIO-метки для белков, ДНК, РНК, клеточных линий и типов клеток. Модель предназначена для извлечения сущностей из биомедицинской литературы и текстов здравоохранения, включая поиск упоминаний белков и генетических объектов для последующего анализа. В README приведены результаты на корпусе JNLPBA: F1 0,81, точность 0,77 и полнота 0,86. Контекст модели — до 514 токенов; заявлена поддержка английского языка. Распространяется по лицензии Apache-2.0. Показатели и заявления о пригодности для клинического применения приведены авторами карточки и не подтверждают качество на любых других наборах данных или текстах.

OpenMed разработала OpenMed-NER-DNADetect-TinyMed-65M — специализированную модель распознавания биомедицинских сущностей, дообученную на основе distilbert-base-cased. Она выполняет токенную классификацию и размечает в тексте белки, ДНК, РНК, клеточные линии и типы клеток BIO-тегами. Модель предназначена для извлечения сущностей из научных публикаций, медицинских записей и других биомедицинских текстов, в том числе для анализа литературы, мониторинга нежелательных явлений и построения биомедицинских баз знаний. Архитектура — DistilBERT для токенной классификации; модель принимает токенизированный текст и поддерживает контекст до 512 токенов. В карточке указаны результаты на датасете JNLPBA: F1 0,80, точность 0,76, полнота 0,84 и accuracy 0,91. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Качество и набор меток ориентированы на биомедицинскую NER-разметку JNLPBA; результаты на других типах документов и в клинических сценариях могут отличаться. Модель выявляет перечисленные типы сущностей, поэтому не следует полагаться на неё для извлечения других категорий, например лекарств или химических соединений, без отдельной проверки.

OpenMed-NER-GenomeDetect-BioPatient-108M — дообученная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Она использует архитектуру BERT с классификационной головой для токенов и содержит 135,5 млн параметров. Модель обучена на корпусе BC2GM и выдаёт BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN; максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения генов и белков из научной литературы и медицинских документов, включая автоматизированный анализ биомедицинских текстов и построение баз знаний. В README приведены результаты на BC2GM: F1 0,89, точность 0,88 и полнота 0,89. Указана лицензия Apache-2.0. Разметка ограничена упоминаниями генов и белков; показатели на других типах текстов в карточке не приведены.

OpenMed разработала OpenMed-NER-GenomeDetect-PubMed-335M — модель на основе BERT, дообученную для распознавания упоминаний генов и белков в биомедицинских текстах. Она принимает токенизированный текст и присваивает токенам BIO-метки B-GENE/PROTEIN и I-GENE/PROTEIN. Размер модели — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на корпусе BC2GM с аннотациями упоминаний генов и белков в медицинских публикациях. Её можно применять для извлечения сущностей из научной литературы и медицинских документов, поиска упоминаний генов и поддержки построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,8963, точность 0,8924 и полнота 0,9002. Это специализированная модель для англоязычных биомедицинских текстов; метаданные указывают поддержку английского языка. Максимальная длина контекста ограничена 512 токенами. Лицензия — Apache-2.0.

OpenMed-NER-GenomeDetect-SuperClinical-434M — модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученный трансформер DeBERTa для классификации токенов; в README базовая архитектура указана как deberta-v3-large. По метаданным модель содержит 533,8 млн параметров, принимает последовательности токенов и имеет контекст до 512 токенов. Модель размечает сущности тегами B-GENE/PROTEIN и I-GENE/PROTEIN. Она предназначена для извлечения генов и белков из научных публикаций и клинических текстов, например для поиска по литературе и построения биомедицинских баз знаний. В README приведены результаты на BC2GM: F1 0,901, точность 0,895 и полнота 0,907; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-GenomeDetect-TinyMed-66M — специализированная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная DistilBERT-модель с архитектурой DistilBertForTokenClassification, примерно 66 млн параметров согласно названию репозитория, контекстом до 512 токенов и метками BIO для сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Модель предназначена для извлечения генов и белков из научной литературы, медицинских документов и клинических текстов, например для анализа биомедицинской литературы и построения графов знаний. Она обучена на корпусе BC2GM; в карточке указаны F1 0,86, точность 0,85 и полнота 0,87. Показатели относятся к описанному корпусу и сами по себе не подтверждают такую же эффективность на иных типах текстов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Указанная лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-SuperClinical-184M — дообученную модель DeBERTa для распознавания генетических сущностей в биомедицинских текстах. Она принимает токенизированный текст и выполняет разметку токенов BIO, выделяя сущности типа Cell-line-name. В карточке указано обучение на корпусе GELLUS и приведены метрики F1 0,98, точности 0,98 и полноты 0,99. Модель предназначена для извлечения упоминаний из клинических документов и научной литературы, а также для текстового анализа в геномике и молекулярной биологии. Архитектура — DeBERTa-v2 для классификации токенов; размер составляет 211,6 млн параметров, максимальный контекст — 512 токенов. Указан английский язык. Лицензия — Apache-2.0. Метки в README описывают только Cell-line-name, хотя корпус и общее описание также заявляют распознавание генов и других генетических сущностей. Поэтому извлечение этих сущностей сверх клеточных линий следует проверять отдельно; метрики в карточке не сопровождаются подробностями методики оценки.

OpenMed разработала OpenMed-NER-OncologyDetect-SuperClinical-141M — специализированную модель распознавания и классификации биомедицинских сущностей в тексте. Это дообученная модель архитектуры DeBERTa v2 примерно на 155 млн параметров; она принимает токенизированный текст и выдаёт предсказания сущностей с BIO-разметкой. В README указано обучение на корпусе BioNLP 2013 CG, ориентированном на генетику рака, и перечислены типы сущностей, включая гены и продукты генов, опухоли, ткани, органы, клетки и химические вещества. Модель предназначена для извлечения онкологических и генетических сущностей из научной литературы и клинических текстов, а также для текстового анализа в исследованиях и здравоохранении. Контекст ограничен 512 токенами. README приводит F1 0,77, точность 0,75 и полноту 0,79 на заявленной оценке; качество на других корпусах и реальных клинических документах может отличаться. Расширенные сценарии вроде выявления лекарственных взаимодействий не подтверждены отдельной оценкой модели. Лицензия — Apache-2.0.

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.

OpenMed-NER-OncologyDetect-TinyMed-82M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель архитектуры RoBERTa с 95,2 млн параметров; в README в качестве базовой архитектуры указана distilroberta-base. Модель принимает токенизированный текст и выдаёт BIO-метки для сущностей, включая гены и их продукты, виды рака, клетки, ткани, органы и химические вещества. Контекст ограничен 514 токенами. Модель обучена на корпусе BioNLP 2013 CG и предназначена для извлечения сущностей из научной литературы и биомедицинских текстов. Она подходит для поиска генов и связанных с раком понятий, анализа литературы по онкологии и подготовки данных для исследовательских баз знаний. README приводит F1 0,81, точность 0,80 и полноту 0,82 на указанном наборе данных; заявленные сценарии для клинических записей требуют отдельной проверки на целевых данных. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-BigMed-560M — специализированную модель распознавания упоминаний видов организмов в биомедицинских текстах. Она выполняет разметку токенов в формате BIO, присваивая сущностям метки B-SPECIES и I-SPECIES. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает токенизированный текст; длина контекста — 514 токенов. Модель предназначена для извлечения научных и распространённых названий видов из научных публикаций, медицинских документов и других текстов. Обучение проводилось на корпусе SPECIES800, содержащем 800 аннотированных абстрактов. В README приведены F1 0,78, точность 0,75 и полнота 0,81; практическое качество зависит от текста и предметной области. В задачах с лекарствами и клиническими данными модель следует применять только для распознавания видов: карточка не подтверждает распознавание препаратов или лекарственных взаимодействий. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-ModernMed-149M — модель распознавания упоминаний видов организмов в тексте. Это дообученная ModernBERT-base с 149 млн параметров для token classification: она присваивает токенам метки B-SPECIES и I-SPECIES, формируя BIO-разметку. Модель рассчитана на английские биомедицинские тексты, включая научные публикации и медицинские документы; максимальная длина контекста составляет 8192 токена. Модель обучена на корпусе SPECIES800, содержащем аннотации упоминаний организмов в 800 аннотациях научных публикаций. Её можно применять для извлечения названий видов, включая научные и распространённые названия, при анализе биомедицинской литературы и таксономической классификации. В README приведены F1 0,65, precision 0,72 и recall 0,60, поэтому полнота извлечения ограничена и результаты требуют проверки для критичных задач. Весы опубликованы в формате safetensors по лицензии Apache-2.0.

OpenMed-NER-OrganismDetect-SuperMedical-355M — модель OpenMed для распознавания названий организмов и видов в тексте. Это дообученная модель архитектуры RoBERTa для токенной классификации: она присваивает токенам BIO-метки B-SPECIES и I-SPECIES и извлекает упоминания видов, включая научные и общепринятые названия. Модель предназначена для анализа биомедицинских текстов и научной литературы, а также для поиска упоминаний организмов в корпусах по биоразнообразию и таксономии. В README указаны обучение на SPECIES800 и результаты F1 0,77, precision 0,73, recall 0,83 и accuracy 0,96. Модель принимает токенизированный текст и возвращает метки сущностей; контекст составляет 514 токенов. Заявленные показатели относятся к SPECIES800, поэтому качество на других типах текстов может отличаться. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-135M — модель распознавания упоминаний организмов и видов в тексте. Это дообученная DistilBERT-модель для token classification: она выделяет названия видов тегами B-SPECIES и I-SPECIES, включая научные и обиходные названия. Модель обучена на корпусе SPECIES800 и принимает токенизированный текст, возвращая BIO-разметку сущностей. Модель предназначена для поиска упоминаний видов в биомедицинских статьях и других текстах, а также для задач таксономического анализа и текстового поиска по биоразнообразию. В README приведены значения F1 0,80, precision 0,79, recall 0,81 и accuracy 0,96 на SPECIES800; они характеризуют результаты на этом корпусе и не гарантируют такое же качество на других данных. Контекст модели — 512 токенов, основной язык карточки — английский. Репозиторий использует формат safetensors; лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ModernMed-149M — разработанная OpenMed модель для распознавания химических сущностей в биомедицинских текстах. Это дообученный ModernBERT-base с архитектурой ModernBertForTokenClassification и 149 млн параметров; модель принимает токенизированный текст и выдаёт BIO-разметку B-CHEM и I-CHEM. Контекст — до 8192 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений, лекарств и терапевтических веществ из научных публикаций, медицинских записей и других биомедицинских документов. Такие извлечения можно использовать для поиска лекарств в записях пациентов, мониторинга нежелательных явлений, анализа литературы и построения биомедицинских баз знаний. README сообщает F1, точность и полноту 0,94 на BC5CDR-Chem. Модель ориентирована на английский язык и специализированный химико-биомедицинский текст; качество на других языках и вне этой области не установлено. Распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-PharmaDetect-TinyMed-66M — модель DistilBERT для распознавания химических сущностей в биомедицинских текстах. Это дообученная версия distilbert-base-uncased с классификацией токенов и BIO-метками B-CHEM и I-CHEM; модель содержит 66 млн параметров и принимает токенизированный текст. Контекст ограничен 512 токенами. Модель предназначена для извлечения названий химических соединений, лекарств и других химических сущностей из медицинских записей и научных публикаций, в том числе для мониторинга нежелательных реакций и поиска сведений о препаратах в литературе. В README заявлены F1 0,95, точность 0,94, полнота 0,95 и accuracy 0,98 на BC5CDR-Chem. Карточка указывает совместимость с Transformers; репозиторий использует формат safetensors. Лицензия — Apache-2.0. Модель обучена на англоязычном корпусе BC5CDR-Chem и не предназначена для распознавания сущностей на русском языке.

OpenMed разработала OpenMed-NER-ProteinDetect-PubMed-109M — дообученную модель BERT для распознавания белковых сущностей в биомедицинских текстах. Она принимает текст и присваивает метки токенам, выделяя белки, белковые комплексы, семейства и группы белков, варианты и перечисления белков. Модель рассчитана на анализ научной литературы и других материалов по молекулярной биологии и системной биологии. Модель основана на BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, содержит 136,7 млн параметров и обрабатывает до 512 токенов в контексте. В карточке указана оценка F1 0,93 на корпусе FSU; эти результаты относятся к описанному набору данных и не гарантируют такое же качество на других текстах. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-ClinicDischarge-Base-110M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в клинических текстах. Это дообученная BERT-модель для разметки токенов; в метаданных указано 135,5 млн параметров и контекст до 512 токенов. Она выявляет 54 типа сущностей, включая имена, адреса, номера медицинских карт, даты рождения, контактные, финансовые и медицинские сведения. Модель предназначена для поиска чувствительных данных в медицинских записях и выписных эпикризах, подготовки наборов данных к исследованиям, деидентификации документов и поддержки аудита приватности. В README приведён результат micro F1 0,9452 на тестовой выборке из NVIDIA Nemotron-PII; отдельные категории, в частности время, PIN-коды и сведения о сексуальности, распознаются хуже. Лицензия — Apache-2.0. Модель следует использовать как вспомогательный инструмент: возможны пропуски персональных данных, поэтому критически важные результаты требуют проверки человеком. Основной язык — английский; качество на других языках не заявлено.

OpenMed-PII-German-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная архитектура BERT для классификации токенов: она выделяет 54 типа чувствительной информации, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные и даты. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт BIO-разметку токенов. Модель предназначена для автоматического выявления и удаления персональных данных из клинических записей, медицинских документов и других текстовых коллекций, а также для подготовки данных к исследованиям и аудита документов. В README приведён результат micro F1 0,9508 на немецкой части набора AI4Privacy; обучение описано на BIO-размеченном немецком подмножестве AI4Privacy PII Masking 400k. Модель оптимизирована для немецкого языка, а качество на других языках не гарантируется. Возможны пропуски чувствительных данных, поэтому результаты для критически важных сценариев следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicalBGE-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная на базе BAAI/bge-large-en-v1.5 модель BERT с головой токеновой классификации; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель предназначена для разметки 54 типов чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Её можно применять для поиска персональных данных в клинических записях и документах, подготовки датасетов к исследованиям, а также для поддержки обезличивания и проверок соответствия требованиям приватности. В оценке на немецкой части AI4Privacy модель показала Micro F1 0,9652. Распространяется по лицензии Apache-2.0. Модель рассчитана на немецкий язык; README предупреждает, что качество на других языках может быть низким, а отдельные данные могут остаться необнаруженными. Результаты следует проверять человеком, особенно в критичных сценариях; качество также может меняться в зависимости от терминологии предметной области.

OpenMed разработала OpenMed-PII-Italian-BiomedBERT-Base-110M-v1 — модель на архитектуре BERT для токенной классификации и обнаружения 54 типов персональных данных в итальянском тексте. Она дообучена на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract и распространяется в формате safetensors через библиотеку Transformers. Модель насчитывает 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выявления персональных и чувствительных данных, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Её можно применять для обезличивания итальянских клинических заметок и документов, подготовки наборов данных к исследованиям и аудита коллекций документов. В README приведён результат micro F1 0,9395 на итальянской части набора AI4Privacy PII Masking 400k. Модель рассчитана прежде всего на итальянский язык; на других языках качество может быть низким. Возможны пропуски сущностей, а точность зависит от предметной области, поэтому результаты требуют проверки человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-SuperMedical-Large-355M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель FacebookAI/roberta-large с архитектурой RoBERTa для классификации токенов; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинские номера записей. Модель предназначена для поиска и удаления персональных данных в клинических записях, медицинских документах и наборах данных, а также для аудита коллекций документов и поддержки процедур защиты данных. В README приведена оценка micro F1 0,9592 на тестовой выборке из 2 000 примеров NVIDIA Nemotron-PII. Лицензия — Apache-2.0. Это вспомогательный инструмент, а не замена проверке человеком: модель может пропускать чувствительные данные, а качество зависит от предметной области. Она обучена преимущественно на английском тексте; для отдельных категорий точность ниже.

OpenMed/OpenMed-ZeroShot-NER-Genome-Tiny-60M — специализированная модель распознавания упоминаний генов и белков в биомедицинских текстах, разработанная OpenMed. Она построена на архитектуре GLiNER и дообучена на корпусе BC2GM, содержащем аннотации упоминаний генов и белков в научной литературе. Модель принимает текст и возвращает найденные сущности с разметкой токенов; благодаря zero-shot-подходу можно задавать типы сущностей при запросе без отдельного дообучения. Модель предназначена для извлечения названий генов и белков из научных публикаций и других биомедицинских текстов, в том числе для курирования данных, поиска связей и анализа вариантов. В карточке приведён F1 0,61 на тестовой выборке BC2GM, не использованной при обучении. Результат может зависеть от терминологии, границ сущностей и порога предсказания; README предлагает снижать порог для пользовательских типов сущностей. Заявлена лицензия Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Oncology-Small-166M — специализированная модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это модель на архитектуре GLiNER, дообученная на корпусе BioNLP 2013 CG; размер — 166 млн параметров. Она принимает биомедицинский текст и позволяет задавать типы сущностей для извлечения без отдельного дообучения под каждую задачу. Среди поддерживаемых категорий — гены и продукты генов, аминокислоты, клетки, ткани, опухоли, химические вещества и анатомические структуры. Модель предназначена для извлечения сущностей из научной литературы и других биомедицинских текстов, в частности для курирования онкологических путей, анализа генов-драйверов и поиска сведений для прецизионной онкологии. В README указана оценка F1 0,70 на тестовом наборе; результаты зависят от текста, выбранных меток сущностей и порога предсказания. Карточка описывает поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Organism-XLarge-770M — модель OpenMed на архитектуре GLiNER для распознавания упоминаний видов организмов в научных и биомедицинских текстах. Она дообучена на корпусе SPECIES800, содержащем научные и общеупотребительные названия организмов, и поддерживает zero-shot извлечение сущностей: метки можно задавать при использовании без отдельного дообучения под каждую категорию. В карточке указана оценка F1 0,8256 на тестовой части SPECIES800. Модель предназначена для разметки видов в научной литературе, биоинформатике, экологических исследованиях и биокурации. README также заявляет более широкое извлечение биомедицинских сущностей, однако явно указанный обучающий корпус и целевой тип сущности — SPECIES, поэтому заявленную специализацию следует считать основной. Репозиторий содержит веса PyTorch; размер модели — 770 млн параметров. Лицензия Apache-2.0.