I.3Извлечение и структурирование данных

NB-BERT-large — крупная модель семейства BERT, разработанная на основе цифровых коллекций Национальной библиотеки Норвегии. Она обучена с нуля на разнообразных норвежских текстах за последние 200 лет и использует монолингвальный норвежский словарь, охватывающий букмол и нюношк. Модель содержит 453,9 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для предсказания пропущенных токенов в тексте; её можно дообучать для конкретных задач обработки норвежского языка. Модель общего назначения для норвежского языка доступна в форматах PyTorch, TensorFlow и Flax, включая safetensors. Для использования и распространения применяется лицензия CC BY 4.0. Карточка представляет выпуск 1.0beta; модель служит базой для дальнейшей настройки под прикладные сценарии.

OpenMed-NER-OncologyDetect-SnowMed-568M — специализированная модель OpenMed для распознавания биомедицинских сущностей, связанных с онкологией и генетикой рака. Это дообученная для token classification модель на архитектуре XLM-RoBERTa объёмом около 658,7 млн параметров; README указывает в качестве базовой архитектуры snowflake-arctic-embed-l-v2.0. Модель обучена на корпусе BioNLP 2013 CG и выдаёт разметку сущностей в формате BIO, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Контекст составляет 8194 токена. Модель предназначена для извлечения онкологических и генетических сущностей из научных публикаций и биомедицинских текстов, например для поиска генов, биомаркеров и терапевтических мишеней. В README приведены результаты на BioNLP 2013 CG: F1 0,8801, точность 0,8774 и полнота 0,8828. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на клинических записях или других типах текста. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-65M — модель на базе DistilBERT для распознавания названий организмов и видов в тексте. Она дообучена для token classification на корпусе SPECIES800 и размечает упоминания видов тегами B-SPECIES и I-SPECIES. Архитектура — DistilBertForTokenClassification; вход — текст, выход — BIO-разметка токенов. Контекст модели составляет 512 токенов. Модель предназначена для извлечения упоминаний видов из научной и биомедицинской литературы, а также для таксономического анализа и исследований биоразнообразия. В README приведены F1 и precision 0,77, recall 0,77 и accuracy 0,95 на SPECIES800. Эти показатели относятся к указанному корпусу и не гарантируют такое же качество на клинических документах или текстах другой тематики. Модель поддерживает английский язык. Распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-66M — модель для распознавания упоминаний видов организмов в биомедицинских текстах. Она основана на DistilBERT и дообучена для классификации токенов на корпусе SPECIES800; размер TinyMed-66M указан в названии модели. Модель выделяет названия видов, включая научные и общеупотребительные, и помечает их тегами B-SPECIES и I-SPECIES. Модель предназначена для извлечения организмов из научных аннотаций, исследовательских публикаций и других биомедицинских текстов, а также для анализа биоразнообразия и таксономических упоминаний. В README приведены F1 0,78, точность 0,77 и полнота 0,79 на SPECIES800. Контекст ограничен 512 токенами; модель не предназначена для обнаружения лекарств или лекарственных взаимодействий, несмотря на упоминание таких сценариев в карточке. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-BigMed-560M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная для NER модель на основе XLM-RoBERTa; метаданные указывают 658,7 млн параметров, контекст до 514 токенов и формат safetensors. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений и лекарств из научных публикаций, клинических записей и медицинских документов. Она может быть частью систем мониторинга нежелательных реакций, поиска сведений о препаратах и построения биомедицинских баз знаний. В README заявлены результаты на BC5CDR-Chem: F1 0,95, точность 0,94 и полнота 0,96; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. В карточке указана лицензия Apache-2.0. Заявленная специализация — химические сущности из BC5CDR-Chem; она не подтверждает распознавание других типов биомедицинских сущностей. Язык карточки и датасета — английский, поэтому применимость к русскоязычным текстам не установлена.

OpenMed разработала эту специализированную модель для распознавания биомедицинских сущностей в текстах. Это дообученная модель на архитектуре BERT с классификацией токенов, основанная на Bio_ClinicalBERT. Она содержит 135,5 млн параметров и принимает последовательности токенов длиной до 512 токенов. Модель размечает белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности тегами BIO. Она предназначена для извлечения упоминаний из клинических записей и научной литературы, в том числе для анализа белковых взаимодействий, поиска по биомедицинским публикациям и построения биомедицинских баз знаний. В README приведены результаты на корпусе FSU: F1 0,91, точность 0,90 и полнота 0,91. Модель ориентирована на английские тексты и совместима с Transformers. Для производственных клинических решений результаты README сами по себе не подтверждают достаточную надёжность: качество может зависеть от корпуса и типа текста, а предел длины входа составляет 512 токенов. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-ElectraMed-560M — модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Это дообученный трансформер с архитектурой XLM-RoBERTa и головой токеновой классификации, содержащий около 658,7 млн параметров. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей; контекст — до 514 токенов. Модель предназначена прежде всего для выявления белков, белковых комплексов, семейств и групп белков, а также вариантов белков в корпусе FSU, ориентированном на молекулярную биологию и взаимодействия белков. Её можно применять для извлечения сущностей из научной литературы и медицинских записей, анализа взаимодействий и построения биомедицинских баз знаний. В README заявлены F1 0,96, точность 0,96 и полнота 0,96 на FSU; эти результаты относятся к указанному корпусу и не гарантируют качество на других данных. Карточка указывает английский язык и лицензию Apache-2.0.

OpenMed разработала OpenMed-NER-ProteinDetect-PubMed-v2-109M — модель распознавания биомедицинских сущностей, дообученную для разметки белков и связанных с ними сущностей в научных и медицинских текстах. Она использует архитектуру BERT для классификации токенов и возвращает BIO-разметку. В README указаны типы сущностей: белки, белковые комплексы, семейства и группы белков, перечисления белков и варианты белков. Модель рассчитана на тексты о белковых взаимодействиях и молекулярной биологии; карточка сообщает о датасете FSU и приводит показатели F1 0,93, точности 0,92 и полноты 0,94. Модель принимает токенизированный текст и поддерживает контекст до 512 токенов. Её можно применять для извлечения белковых сущностей из научных публикаций, анализа молекулярных взаимодействий и подготовки данных для биомедицинских баз знаний. README также упоминает клинический анализ текста, однако перечисленные классы сущностей и датасет ориентированы на белки; пригодность для других типов медицинских сущностей по карточке не подтверждена. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-TinyMed-65M — модель OpenMed для распознавания белковых сущностей в биомедицинском тексте. Это дообученная для token classification модель на базе DistilBERT; README указывает базовую архитектуру distilbert-base-cased и обучение на корпусе FSU, посвящённом белковым взаимодействиям и молекулярной биологии. Модель размечает токены BIO-тегами и выделяет белки, белковые комплексы, семейства и варианты. Контекст составляет 512 токенов, вход — текст, выход — метки сущностей. Модель предназначена для извлечения белковых упоминаний из научной литературы, биомедицинских документов и клинических текстов, а также для подготовки данных для анализа взаимодействий белков и построения биомедицинских баз знаний. В README приведены показатели на FSU: F1, точность и полнота 0,91, accuracy 0,97. Эти результаты относятся к указанному корпусу и не гарантируют такое же качество на других типах текстов. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-SpeciesDetect-ElectraMed-33M — специализированная модель OpenMed для распознавания названий видов и организмов в тексте. Это дообученный трансформер семейства BERT для token classification: он помечает фрагменты текста тегами B-SPECIES и I-SPECIES. Модель обучена на корпусе LINNAEUS, ориентированном на распознавание научных и общеупотребительных названий видов в биомедицинской литературе. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Размер по метаданным — 40 млн параметров, максимальная длина контекста — 512 токенов; указан английский язык. Её можно применять для извлечения упоминаний организмов из научных статей, биомедицинских документов и текстов исследований, а также для последующего построения таксономических баз и графов знаний. В README приведены метрики на LINNAEUS: F1 0,61, точность 0,56, полнота 0,66 и accuracy 0,96; эти результаты указывают на ограничения качества, поэтому извлечённые сущности могут требовать проверки. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-SpeciesDetect-TinyMed-65M — дообученную модель DistilBERT для распознавания названий видов и организмов в биомедицинских текстах. Модель принимает токенизированный текст и возвращает разметку сущностей в формате BIO: B-SPECIES и I-SPECIES. В README указана базовая архитектура distilbert-base-cased; контекст составляет 512 токенов. Модель предназначена для извлечения упоминаний видов из научной литературы и других биомедицинских документов, а также для задач таксономического текстового анализа. В README приведены результаты на корпусе LINNAEUS: F1 0,94, точность 0,93 и полнота 0,94. Эти показатели относятся к указанной оценке и не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

SecureBERT2.0-NER — англоязычная модель Cisco AI для распознавания именованных сущностей в текстах по кибербезопасности. Это дообученная модель ModernBERT для токенной классификации с 149 млн параметров и контекстом до 8192 токенов; она размечает упоминания индикаторов компрометации, вредоносных программ, организаций, систем и уязвимостей. Модель предназначена для извлечения IOC и структурирования данных из отчетов об угрозах, разборов инцидентов, рекомендаций по безопасности и технических публикаций. Её можно применять для обогащения threat intelligence, анализа отчетов и сортировки упоминаний уязвимостей. В README заявлены F1 0,945, полнота 0,965 и точность 0,927 на специализированном тестовом корпусе; эти результаты относятся к описанной в карточке оценке и не гарантируют аналогичное качество на других данных. Модель не предназначена для общего распознавания сущностей, генерации текста или диалогов. Для обработки входных последовательностей при обучении использовались усечение и дополнение до 1024 токенов, поэтому фактическую длину следует соотносить с настройками карточки и используемого пайплайна. Лицензия — Apache-2.0.

Atom Classifier — мультиязычная модель токенной классификации от hyperquest для первого этапа Alpha-Beta-парсера семантических гиперграфов. Она присваивает каждому токену предложения одну из 39 меток семантических атомов и подтипов: понятий, предикатов, модификаторов, связок, триггеров, союзов или исключаемых токенов. Полученные метки затем используются для построения вложенных гиперграфовых структур на следующем этапе парсера. Модель построена на DistilBertForTokenClassification и дообучена на distilbert/distilbert-base-multilingual-cased. Максимальная длина последовательности — 512 токенов. В карточке заявлена поддержка английского, немецкого, французского, испанского, португальского и нидерландского языков. Модель распространяется по лицензии Apache-2.0. Она предназначена для семантического разбора предложений в составе инструментария hyperbase и Alpha-Beta-парсера, а не для самостоятельной генерации текста или полного построения гиперграфа. Качество разметки зависит от соответствия входного языка и текста обучающим данным; подробности о составе обучающего набора и оценках качества в предоставленной карточке не приведены.

Модель mrm8488/bert-spanish-cased-finetuned-pos — дообученная Manuel Romero (@mrm8488) версия испанского BERT BETO для определения частей речи и другой токенной разметки в испанском тексте. Она обучена на испанских корпусах CONLL с аугментацией данных; в карточке указаны 340 тысяч примеров для обучения, 50 тысяч для проверки и 60 меток. На наборе оценки достигнута F1-мера 90,06. Модель принимает текст и назначает метку каждому токену. Архитектура — BertForTokenClassification, размер — 137,1 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch, Flax и Safetensors. Лицензия в предоставленных данных не указана.

BiodivBERT — англоязычная доменная модель на базе BERT, разработанная для работы с научной литературой о биоразнообразии. Она предварительно обучена на аннотациях и полных текстах публикаций, собранных через API Elsevier и Springer за 1990–2020 годы, с использованием токенизатора BERT base cased. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README указано дообучение для распознавания именованных сущностей и извлечения отношений в области биоразнообразия. Метаданные также указывают задачу заполнения пропусков в тексте, согласующуюся с архитектурой BertForMaskedLM; авторский pipeline_tag при этом задан как token-classification. Модель подходит для анализа научных текстов о биоразнообразии, включая извлечение сущностей и связей. Лицензия — Apache-2.0.

BioGPT-Large — генеративная языковая модель семейства BioGPT, разработанная Microsoft и обученная на крупном массиве биомедицинской литературы. Это плотный Transformer с авторегрессивной архитектурой BioGptForCausalLM, содержащий 2,1 млрд параметров; максимальная длина контекста — 2048 токенов. Модель предназначена для генерации текста в биомедицинском контексте: например, для составления описаний биомедицинских терминов и помощи в задачах обработки научной литературы. В карточке сообщается о результатах на задачах извлечения сущностей и отношений, а также ответов на вопросы по биомедицинским публикациям. Основной язык модели — английский. Модель работает с текстовым вводом и генерирует текст. Она распространяется в формате PyTorch по лицензии MIT. Результаты на бенчмарках не гарантируют точность медицинских выводов; ответы модели требуют проверки специалистом.

BlueBERT — англоязычная модель семейства BERT, разработанная исследователями Computational Biology Branch при NCBI и предварительно обученная на аннотациях PubMed. Этот вариант использует uncased-токенизацию и конфигурацию с 24 слоями, скрытым размером 1024 и 16 attention-головами; в репозитории указано около 433,9 млн параметров и контекст до 512 токенов. Доступны веса в форматах PyTorch и Flax. Модель предназначена как языковая основа для задач обработки биомедицинских текстов, например классификации публикаций, извлечения сущностей и ответов на вопросы после дообучения под конкретную задачу. Предварительное обучение проводилось на корпусе PubMed объёмом около 4 млрд слов. Карточка не описывает готовый диагностический инструмент: результаты не следует использовать для клинических решений без проверки специалистом. Лицензия — CC0-1.0.

BDRC/Bo-Multilayer-Detection — модель BDRC для выявления аннотационных слоёв в тибетском тексте. Это энкодер ModernBERT, дообученный для классификации токенов на основе jhu-clsp/mmBERT-base; он размечает токены метками BIO, включая категории цитат. Модель рассчитана на извлечение структурированной разметки из текста, а не на генерацию ответов. Модель содержит 306,9 млн параметров, принимает текст и имеет контекстное окно до 8192 токенов. Валидационная карточка приводит F1 0,078 в целом и F1 0,633 для авторской метрики; качество зависит от используемой метрики, поэтому результаты следует проверять на целевых данных. Опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

CamemBERT-bio-v2-base — франкоязычная биомедицинская модель-энкодер, разработанная Рианом Тушаном и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Она предназначена для распознавания клинических и биомедицинских сущностей во французском тексте и служит основой для задач обработки медицинского языка на уровне токенов. Модель основана на архитектуре RoBERTa / CamemBERTv2 и дообучена продолжением предобучения базовой almanach/camembertv2-base на медицинских данных, включая корпус MC-Bio. В карточке указано 111 млн параметров и контекст 1 024 токена; метаданные каталога указывают 138,4 млн параметров и 1 025 токенов. Для восстановления замаскированных фрагментов используется задача fill-mask, а обучение с маскированием целых упоминаний медицинских сущностей ориентировано на улучшение токенных представлений. В опубликованной оценке на французском бенчмарке распознавания сущностей модель получила 65,8 exact-F1 в среднем. Модель подходит для извлечения медицинских сущностей и адаптации к смежным задачам разметки французских клинических и биомедицинских текстов. Она не является готовой специализированной моделью для длинных документов; авторы указывают на отдельную большую версию ModernCamemBERT-bio-v2-large для таких сценариев. Лицензия — MIT.

Koichi Yasuoka разработал DeBERTaV2 для разметки беларусского текста на уровне слов. Модель дообучена на UD_Belarusian на базе KoichiYasuoka/deberta-base-belarusian и предсказывает для каждого слова часть речи по набору UPOS и морфологические признаки FEATS. Метаданные указывают 136,3 млн параметров и контекст до 512 токенов. Модель предназначена для автоматической морфологической разметки беларусских текстов и подготовки данных для последующего синтаксического анализа, включая разбор зависимостей. Она принимает текст и возвращает метки токенов. Доступны веса PyTorch; лицензия — CC BY-SA 4.0.

EpiExtract4GARD-v2 — модель NCATS на архитектуре BERT, дообученная на EpiSet4NER-v2 для распознавания именованных сущностей в аннотациях к исследованиям редких заболеваний. Она размечает упоминания мест (LOC), типов эпидемиологических показателей (EPI) и статистических значений или показателей распространённости (STAT), например географические названия и частоту случаев заболевания. Модель принимает текст и возвращает метки для токенов; она рассчитана на английский язык и имеет контекстное окно 512 токенов. Модель предназначена для извлечения эпидемиологической информации из научных аннотаций и может служить компонентом исследовательского конвейера. Она использует веса PyTorch и содержит около 463,1 млн параметров. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Качество и применимость ограничены особенностями и смещениями обучающего набора EpiSet4NER; кроме того, BERT может неточно обрабатывать числовые значения, что затрудняет распознавание эпидемиологических показателей.

Gemma-4-31B-FT-it — экспериментальная донастройка Google Gemma-4-31B-it, опубликованная пользователем aifeifei798. Автор заявляет, что модель предназначена для диалогов, рассуждений и анализа шумных или перемешанных входных данных, включая длинные технические документы и историю проектов. В метаданных указана мультимодальная архитектура Gemma4ForConditionalGeneration с поддержкой изображений и текста; размер — 31 млрд параметров. В карточке также заявлена фрагментированная донастройка с перемешиванием токенов, однако приведённые там показатели производительности и утверждения об устойчивости не подтверждены независимыми данными. Модель основана на google/gemma-4-31B-it и доступна в формате safetensors для Transformers. README утверждает, что стандартные механизмы отказа и защитное выравнивание были ослаблены или удалены, а в некоторых ответах могут появляться повторяющиеся маркеры и зацикливания; это ограничивает её пригодность для пользовательских сценариев без дополнительной проверки. Лицензия — Apache-2.0. Метаданные указывают английский язык карточки, но заявленная поддержка мультиязычных входных данных в README не сопровождается перечнем языков.

idb-ita/gilberto-uncased-from-camembert — италоязычная предварительно обученная языковая модель GilBERTo, разработанная командой idb-ita. Модель основана на архитектуре RoBERTa с подходом к токенизации CamemBERT и обучена на большом итальянском веб-корпусе OSCAR с использованием маскирования подслов. Модель предназначена прежде всего для задачи fill-mask: она предсказывает пропущенные токены в итальянском тексте. Её также можно дообучать для задач итальянской обработки естественного языка, включая разметку частей речи и распознавание именованных сущностей. Модель содержит около 137,8 млн параметров, использует 12-слойную архитектуру с 12 attention heads, словарь SentencePiece/BPE примерно на 32 тысячи подслов и поддерживает контекст длиной до 514 токенов. Сильные стороны модели — специализация на итальянском языке и пригодность для последующего дообучения в итальянских NLP-сценариях. Это не генеративная диалоговая модель и не универсальная модель для свободного написания длинных текстов. Вариант uncased не сохраняет регистр букв, а качество downstream-задач зависит от доступности итальянских датасетов и выбранного дообучения.

GLiNER2-base-v1-CASIE — модель извлечения информации, созданная дообучением fastino/gliner2-base-v1 командой whr778. Она предназначена для выявления сущностей и событий кибербезопасности в англоязычном тексте; карточка также указывает задачи извлечения отношений и классификации. Обучение проводилось на наборе CASIE: 798 записей для обучения, 95 для валидации и 107 для тестирования. Модель работает через библиотеку gliner2, веса опубликованы в формате safetensors. На тестовой выборке F1 для типов событий составила 0,928, а для триггеров событий — 0,413 при строгом сопоставлении и 0,490 при ослабленном. Для сущностей F1 составила 0,553 и 0,681 соответственно, поэтому извлечённые сущности и триггеры требуют проверки. Лицензия указана как other; конкретные условия использования следует сверить с карточкой и исходным набором данных CASIE.

IndicPHI-MuRIL-PII — дообученный энкодер MuRIL-base от Google для выявления персональных и медицинских данных в клинических текстах на индийских языках с помощью BIO-классификации токенов. Модель содержит 237 млн параметров, распознаёт 50 типов сущностей, включая индийские идентификаторы ABHA и Aadhaar, и поддерживает 23 языка и 13 письменностей. Для загрузки требуется пользовательская классификационная голова и файл modeling_indicphi_bio.py. Модель предназначена для автоматического обнаружения и редактирования PII/PHI в клинических документах, особенно похожих на синтетические данные обучения. На синтетических документах утечка символов составила 0,45% для знакомых типов документов и 2,0% для типов, отсутствовавших при обучении; на реальном тексте новостных имён полнота обнаружения составила 31,8%. Эти результаты показывают, что качество на синтетических данных не гарантирует надёжной защиты реальных документов. Лицензия — Apache-2.0.

uzabase разработала японскую версию LUKE для работы с японским текстом и сущностями. Модель основана на studio-ousia/luke-japanese-base, но вместо RoBERTa использует японский BERT; токенизатор SentencePiece заменён на WordPiece. Модель предварительно обучена на данных японской Википедии по состоянию на 1 июля 2023 года и поддерживает сущности [UNK]. Модель можно применять для предсказания замаскированных токенов в японском тексте и как основу для задач понимания текста с сущностями. Она содержит 138,4 млн параметров, использует архитектуру LUKE и поддерживает контекст до 512 токенов. Для загрузки токенизатора в Transformers требуется trust_remote_code=True. Распространяется по лицензии Apache-2.0.

mrm8488/mobilebert-finetuned-pos — модель MobileBERT, дообученная разработчиком mrm8488 для разметки частей речи в английском тексте. Она присваивает каждому токену метку части речи и запускается как модель классификации токенов в Transformers. Архитектура — MobileBertForTokenClassification; в метаданных указаны 59,7 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт метки токенов. Её можно применять для определения частей речи в предложениях и подготовки лингвистической разметки. Карточка Hugging Face указывает лицензию MIT; оценок качества и дополнительных ограничений в доступных источниках нет.

Muse2-125M — компактная авторегрессионная языковая модель Muse Research с 135,3 млн параметров. В репозитории представлена версия Instruct, дообученная методом SFT с маскированием потерь для токенов вне ответа; RLHF и DPO не применялись. Архитектура Muse2 реализована на PyTorch с нуля и сочетает свёрточные блоки и полное внимание: 7 причинных depthwise-свёрток чередуются с 5 блоками внимания, используется grouped-query attention. Заявленный контекст — до 128 тысяч токенов, при этом карточка указывает 8 тысяч как базовую длину. Модель рассчитана на английский текст, включая код и математические записи. Её предполагаемые сценарии — изучение компактных гибридных архитектур, локальный запуск на устройствах с ограниченными ресурсами, извлечение структурированных данных в JSON и дальнейшее дообучение. Для диалоговых задач она может служить небольшим ассистентом, когда важнее компактность, чем фактическая надёжность. Лицензия весов — Apache-2.0. Это исследовательская модель без safety fine-tuning, red-teaming и фильтрации контента. Проверки возможностей и безопасности ограничены качественной оценкой; модель может выдавать неточные, предвзятые, повторяющиеся или нежелательные ответы и часто галлюцинирует. Разработчик не рекомендует полагаться на неё в критичных, медицинских, юридических или иных требующих точности сценариях без собственной оценки и защитных механизмов.

OpenMed-NER-BloodCancerDetect-BigMed-560M — разработанная OpenMed модель для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL). Это дообученный XLM-RoBERTa для классификации токенов: модель присваивает токенам метки B-CL и I-CL, обозначающие границы упоминаемых сущностей. Она принимает токенизированный биомедицинский текст и возвращает BIO-разметку. Модель предназначена для извлечения терминов из клинических текстов и медицинской литературы, в том числе для анализа материалов по гематологии и онкологии. В карточке указаны размер около 658,7 млн параметров и контекст до 514 токенов. README приводит F1 0,84, точность 0,89 и полноту 0,79 на наборе CLL; результаты относятся к описанной оценке и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-MultiMed-335M — дообученная модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Она принимает токенизированный текст и выполняет классификацию токенов с BIO-разметкой, выделяя сущности метками B-CL и I-CL. Модель основана на архитектуре BERT, содержит около 433,9 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для извлечения упоминаний CLL из медицинских записей, научной литературы и других медицинских документов, например для анализа исследований и построения систем поиска по биомедицинским данным. В README указаны результаты на корпусе CLL: F1 0,82, точность 0,77 и полнота 0,87. Эти показатели относятся к описанной оценке на специализированном наборе данных и не гарантируют качество на других текстах или клинических сценариях. Карточка заявляет совместимость с Transformers; лицензия — Apache-2.0.