I.3Извлечение и структурирование данных

Koichi Yasuoka дообучил ModernBERT-large на текстах тайской Википедии для морфологического анализа тайского языка. Модель размечает слова тегами UPOS и FEATS и предназначена для определения частей речи и разбора зависимостей; в Transformers её можно использовать для последовательной классификации токенов. Модель имеет плотную архитектуру ModernBERT, около 346 млн параметров и контекст до 8192 токенов. Она поддерживает тайский язык, распространяется в формате PyTorch по лицензии Apache-2.0. Карточка показывает пример запуска через Transformers с `trust_remote_code=True` и простой агрегацией токенов.

OpenMed разработала эту модель для распознавания названий организмов и видов в тексте. Это дообученная модель BERT для классификации токенов: она находит упоминания видов и помечает их тегами B-SPECIES и I-SPECIES. Модель обучена на корпусе SPECIES800, содержащем аннотации научных и общеупотребительных названий видов в биомедицинской литературе. Модель принимает токенизированный текст и возвращает BIO-разметку упоминаний организмов. Архитектура насчитывает 135,5 млн параметров, а контекст ограничен 512 токенами. В карточке указаны F1 0,82, точность 0,81 и полнота 0,82 на SPECIES800. Модель рассчитана на извлечение видов из научных публикаций и биомедицинских текстов; заявленные в карточке применения включают анализ литературы и построение баз знаний. Лицензия — Apache-2.0. Качество может снижаться на текстах, отличающихся от SPECIES800, а длина одного обрабатываемого контекста ограничена 512 токенами. Модель выделяет упоминания видов, поэтому заявленные сценарии, связанные с лекарствами и клиническими исходами, требуют дополнительных специализированных компонентов.

OpenMed-NER-SpeciesDetect-BioClinical-108M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная Bio_ClinicalBERT с архитектурой BERT для классификации токенов; она выделяет названия видов, помечая их тегами B-SPECIES и I-SPECIES. Веса представлены в формате safetensors, число параметров — 135,5 млн, длина контекста — до 512 токенов. Модель предназначена для извлечения названий организмов из клинических документов и научной литературы, а также для биомедицинского текстового анализа и построения баз знаний. По README, она обучена на корпусе LINNAEUS и показывает F1 0,93, точность 0,91 и полноту 0,95 на описанной оценке. Это специализированный распознаватель видов, поэтому заявленные в карточке сценарии поиска лекарств и извлечения медикаментов не следует считать его прямыми задачами. Модель поддерживает английский язык. Лицензия — Apache-2.0. Результаты могут зависеть от домена текста и написания названий; контекст ограничен 512 токенами.

OpenMed-NER-SpeciesDetect-MultiMed-568M — модель OpenMed для распознавания названий видов и организмов в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов: он присваивает найденным упоминаниям BIO-метки B-SPECIES и I-SPECIES. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов. Модель предназначена для извлечения названий организмов из научной литературы и других биомедицинских документов, включая поиск упоминаний видов и создание баз знаний. В карточке указано обучение на корпусе LINNAEUS; заявлены F1 0,95, точность 0,93 и полнота 0,96. Поддерживается английский язык. Лицензия — Apache-2.0. Карточка также упоминает сценарии клинического анализа и мониторинга, однако описанные метки относятся только к видам организмов, поэтому возможности извлечения лекарств, химических веществ и нежелательных явлений не подтверждены. Результаты и заявленная точность могут зависеть от типа текста и не гарантируют качество на иных корпусах.

OpenMed-ZeroShot-NER-Oncology-Multi-209M — модель OpenMed для извлечения сущностей из биомедицинских текстов, специально адаптированная к тематике генетики рака. Она построена на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG; размер модели в идентификаторе — 209M параметров. Модель принимает текст и возвращает найденные сущности с метками, например гены и их продукты, аминокислоты, клетки, ткани, органы, химические вещества и патологические образования. Модель предназначена для разметки онкологической литературы, анализа генов и молекулярных процессов, связанных с опухолями, курирования биологических путей и поиска сущностей для исследований точной онкологии. Благодаря zero-shot подходу можно задавать типы сущностей для извлечения без отдельного обучения под каждую категорию. В README приведён F1 0,75 на тестовом наборе, исключённом из обучения; результаты относятся к описанной оценке и не гарантируют качество на других текстах. Модель ориентирована на английский язык, что согласуется с языковым тегом и корпусом обучения. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка также перечисляет более широкие биомедицинские сценарии, однако специализация и описанный датасет связаны прежде всего с онкологической генетикой.

PhoBERT-large — предварительно обученная языковая модель для вьетнамского языка, разработанная Dat Quoc Nguyen и Anh Tuan Nguyen. Она основана на архитектуре RoBERTa и оптимизации процедуры предобучения BERT, предложенной RoBERTa. Модель содержит 468,2 млн параметров и предназначена для языковых задач на вьетнамском; в опубликованной работе показаны результаты для разметки частей речи, синтаксического анализа зависимостей, распознавания именованных сущностей и определения логического следования. В этом репозитории представлена модель masked language modeling: она принимает текст с маскированным токеном и предсказывает его заполнение. Метаданные указывают контекст длиной 258 токенов, лицензию MIT и доступность весов в форматах PyTorch, TensorFlow и Flax. Для сегментации вьетнамских слов требуется соответствующая предварительная обработка. Модель предобучена для вьетнамского и может служить основой для дообучения под прикладные NLP-задачи; заявленные результаты относятся к опубликованным бенчмаркам и сами по себе не гарантируют качество в иных сценариях.

SanadAI-AraModernBERT-IslamicNER — модель Abir Korched для распознавания именованных сущностей и выделения смысловых фрагментов в арабских исламских текстах. Она дообучена на базе NAMAA-Space/AraModernBert-Base-V1.0 и использует архитектуру ModernBERT с классификацией токенов; размер модели — 148,9 млн параметров, контекст — до 8 192 токенов. Модель выделяет аяты Корана, текст матна хадиса и цепочки иснада. Для сегментов иснада в README не приведено отдельной метки.

TAPAS mini — компактная модель семейства TAPAS, разработанная Google и представленная карточкой Hugging Face. Это трансформерная архитектура на основе BERT, предварительно обученная на англоязычных таблицах Википедии и связанном с ними тексте. Версия по умолчанию использует относительные позиционные эмбеддинги с перезапуском индексов в каждой ячейке таблицы; вариант с абсолютными позициями доступен через revision="no_reset". Модель содержит 12 млн параметров и принимает последовательности длиной до 512 токенов. Предобучение сочетает маскирование языковой модели и промежуточную задачу проверки, подтверждается ли утверждение содержимым таблицы. Скрытые представления таблиц и связанных вопросов можно использовать для извлечения признаков, а для ответов на вопросы по таблицам и классификации модель обычно нужно дообучить с подходящей классификационной головой. Модель рассчитана на английский язык. Входы подготавливаются в формате текста и развёрнутой таблицы с токенизацией WordPiece в нижнем регистре. Весовые файлы доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Предобученная модель сама по себе не является готовой системой ответов на вопросы; качество на конкретных задачах зависит от дообучения.

google/tapas-mini-finetuned-sqa — компактная модель TAPAS от Google для ответов на вопросы по таблицам в диалоговом формате. Она построена на архитектуре, подобной BERT, и содержит 12 млн параметров. Модель предварительно обучалась на английских таблицах и связанных с ними текстах из Википедии с помощью masked language modeling и промежуточного обучения для числового рассуждения, затем дообучена на Sequential Question Answering (SQA). В стандартной версии используются относительные позиционные эмбеддинги с повторным отсчётом позиций в каждой ячейке таблицы; также доступна версия no_reset с абсолютными позиционными эмбеддингами. На вход подаются вопрос и сериализованная таблица; модель выделяет ячейки, на которых основан ответ. Контекст ограничен 512 токенами. Модель предназначена для англоязычных таблиц и не является универсальной разговорной моделью: длинные таблицы могут требовать усечения, а качество за пределами табличных вопросов и данных, близких к SQA, не установлено. Доступна по лицензии Apache-2.0.

google/tapas-tiny-finetuned-sqa — компактная модель Google на архитектуре TAPAS, дообученная на наборе Sequential Question Answering (SQA) для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, представленные вместе в текстовом виде, и выбирает релевантные ячейки; модель рассчитана на последовательный диалоговый сценарий с вопросами к таблице. Модель основана на BERT-подобном двунаправленном трансформере TAPAS с 4,4 млн параметров. До дообучения она прошла masked language modeling и промежуточное обучение на синтетических примерах для рассуждений о табличных данных. В версии по умолчанию сбрасывается индекс позиции для каждой ячейки таблицы; доступен также вариант no_reset с абсолютными позиционными эмбеддингами. Максимальная длина входа — 512 токенов; поддерживается английский язык. Модель опубликована по лицензии Apache-2.0. TAPAS позволяет задавать вопросы о содержимом таблиц и выбирать ячейки в ответ. Ограничения включают привязку к табличным данным и английскому языку, а также предел длины входа в 512 токенов; качество для конкретной таблицы и вопроса может различаться.

ckiplab/albert-tiny-chinese-pos — компактная модель CKIP для разметки частей речи в традиционном китайском тексте. Она основана на архитектуре ALBERT и содержит 12,8 млн параметров; для токенизации автор рекомендует BertTokenizerFast. Модель предназначена для присвоения метки части речи каждому токену. Это подходит для анализа китайских текстов и построения конвейеров обработки языка, в которых разметка частей речи используется как промежуточный этап. README относит проект к инструментам для традиционного китайского языка и также упоминает сегментацию слов и распознавание именованных сущностей, однако для этой модели метаданные подтверждают только классификацию токенов. Длина контекста составляет 512 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии GPL-3.0. Карточка не приводит оценки качества; применение требует совместимой токенизации и учёта условий лицензии.

ckiplab/bert-base-chinese-pos — модель на базе BERT для разметки частей речи в текстах на традиционном китайском языке. Проект CKIP предоставляет модели Transformer и инструменты NLP; автор и сопровождающий этой модели — Mu Yang из CKIP. Модель решает задачу token-classification: присваивает метку каждому токену, в частности может использоваться для определения частей речи. Она содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и Flax. Для токенизации README рекомендует BertTokenizerFast вместо AutoTokenizer. Модель предназначена для анализа китайского текста, например разметки частей речи перед последующей обработкой. В карточке указана лицензия GPL-3.0.

KBLab/bert-base-swedish-cased-new — шведская модель BERT-base с архитектурой BertForMaskedLM, обученная KBLab с использованием библиотеки Transformers. Она предназначена для предсказания замаскированных слов в шведском тексте и может служить базой для экспериментов и последующей адаптации к задачам обработки шведского языка. Модель обучалась на корпусе около 70 ГБ, главным образом из OSCAR и газетных текстов, собранных Национальной библиотекой Швеции. Последовательности при обучении имели длину 512 токенов; в метаданных указано 162,4 млн параметров. Доступны веса PyTorch и safetensors. Карточка не приводит лицензию и специальных ограничений применения. Для практического использования стоит учитывать, что модель обучена преимущественно на общих и газетных текстах, поэтому качество на других жанрах и специализированных областях может отличаться.

CryptoBERT — англоязычная модель семейства RoBERTa, опубликованная mathugo и дообученная на новостях о криптовалютах. Она предназначена для анализа криптоновостей и понимания специализированной терминологии. В метаданных указаны архитектура RobertaForMaskedLM, 18,6 млн параметров и контекст до 712 токенов; основной тег задачи — fill-mask. В README заявлены анализ тональности новостных статей и распознавание именованных сущностей, включая названия криптовалют, организации и публичных лиц. Для этих сценариев карточка не приводит отдельных pipeline-тегов или сведений о конкретных оценках качества. Модель распространяется по лицензии Apache-2.0.

Cybersecurity-Knowledge-Graph — модель CyberPeace Institute для извлечения событий из текстов об инцидентах кибербезопасности. Она дообучена на SecureBERT с использованием набора данных CASIE и реализует подход, описанный в статье о CASIE. Модель решает задачу token classification: выделяет фрагменты, выражающие событие, его участников и атрибуты, а также определяет семантические роли и признак realis — произошло ли событие, является ли оно неудавшейся или будущей попыткой либо упоминается обобщённо. Карточка приводит пример применения к тексту о кибербезопасности; для загрузки указаны Transformers и PyTorch. Модель рассчитана на англоязычные тексты. Лицензия — MIT. Результаты зависят от соответствия входного текста предметной области и схеме событий CASIE; документация не описывает ограничения точности или поддержку других языков.

orbis-marianne/deberta-v3-rel-class — модель ORBIS Marianne на базе DeBERTa-v3 для классификации отношений между аргументативными высказываниями или компонентами аргументации. Она входит в набор моделей Argumentation Mining Transformers Module, предназначенный для обнаружения аргументативных компонентов, классификации высказываний и отношений между ними. Репозиторий разработчика описывает отдельную задачу классификации отношений на уровне последовательностей; карточка Hugging Face указывает text-classification и архитектуру DebertaV2ForSequenceClassification. Модель принимает текст и возвращает метку класса. Размер — около 211,6 млн параметров, максимальная длина входа — 512 токенов. Метаданные не указывают поддерживаемые языки, поэтому конкретный язык не заявляю. Ограничение длины входа означает, что длинные последовательности могут обрезаться. Лицензию по доступным данным установить не удалось.

AlienKevin дообучил компактную модель ELECTRA на основе toastynews/electra-hongkongese-small-discriminator для классификации токенов. Она предназначена для задач разметки последовательностей на гонконгском кантонском и китайском тексте. Модель содержит 14 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. Для обучения использованы наборы AlienKevin/hkcancor-multi и AlienKevin/wiki-yue-long-multi. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не приводит подробностей об оценке качества или конкретных типах разметки, поэтому пригодность для отдельной схемы тегов следует проверять на соответствующих данных.

d4data/EnviDueDiligence_NER — модель распознавания именованных сущностей в текстах экологической проверки объектов недвижимости. Она разработана Deepak John Reji и Afreen Aman в рамках исследовательской темы Environmental Due Diligence и основана на DistilBERT с классификационной головой для разметки токенов. Модель предназначена для извлечения семи типов экологических сущностей из документов, таких как отчёты о рекультивации, решения регуляторов и пятилетние обзоры. Её можно запускать через Transformers pipeline или inference API Hugging Face. Модель обрабатывает английский текст, имеет контекстное окно 512 токенов и распространяется под лицензией Apache-2.0. Назначение модели специализировано: она ориентирована на корпус и документы экологической проверки. Карточка не приводит перечень семи меток, метрики качества или подробности обучающего набора, поэтому пригодность для других типов документов и качество извлечения следует проверять на целевых данных.

GLiNER2 — дообученная модель извлечения упоминаний источников данных из научных статей по экономике. Она размечает фрагменты текста тремя типами: именованные источники данных, описанные без названия источники и расплывчатые упоминания данных. Базовая модель — fastino/gliner2-large-v1; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для поиска упоминаний наборов данных, обследований, переписей и реестров в экономических исследованиях. На отложенной выборке лучший F1 составил 0,4664 при пороге 0,1, а лучший F0.5 — 0,4819 при пороге 0,3, что указывает на заметные ошибки извлечения. Карточка сообщает об одном эпохе дообучения на специализированном наборе данных; контекст и поддерживаемые языки не приведены.

Llama-PortOIE3 — модель семейства Llama 3, опубликованная bratao как один файл GGUF для запуска в совместимых с llama.cpp системах. Она дообучена для извлекательного Open Information Extraction на португальском языке: по предложению генерирует отношения в формате ARG0, V, ARG1. В GGUF-метаданных указаны архитектура Llama, около 8,03 млрд параметров и контекст 8192 токена; фактическая поддержка длинного контекста зависит от среды запуска, а документация отмечает, что длинные входы не оценивались. Модель предназначена для выделения отношений и структурирования утверждений в португальских предложениях. В описанной оценке на небольшом наборе из 100 предложений лексический F1 для исследовательской системы PortOIE-Llama3 составил 0,2446, однако авторы README подчёркивают, что этот результат не подтверждён для конкретного опубликованного файла из-за неустановленной связи между контрольной точкой оценки и GGUF. Файл занимает около 8,54 ГБ; для запуска нужны llama.cpp и соответствующая обвязка, а ориентир для CPU — 10–12 ГБ свободной оперативной памяти. Модель может пропускать или дублировать отношения, галлюцинировать содержание и выдавать результаты, которые парсер не сможет нормализовать; извлечённые утверждения требуют сверки с исходным текстом и не являются проверкой фактов. Точная базовая модель, квантизация, версия обучающих данных и лицензия в публичной карточке не установлены.

Extract-1.7B — визуально-языковая модель, представленная в работе Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models. Она служит модулем восприятия в двухэтапном подходе Extract+Think: модель выделяет из изображения детали, важные для инструкции, а отдельная модель выполняет этап рассуждения. В качестве языковой основы указана Qwen3-1.7B; архитектура плотная, LlavaQwen3ForCausalLM, число параметров — 1,7 млрд, контекст — до 40 960 токенов. Модель предназначена для извлечения визуальной информации и ответов на инструкции об изображениях в составе мультимодальных сценариев. Карточка описывает её как часть исследовательской системы и рекомендует оценивать через lmms-eval. Доступны веса в формате safetensors; лицензия в предоставленных данных не указана.

wls04/math_bi7b — дообученная на базе Qwen/Qwen2.5-Math-7B-Instruct модель для классификации токенов. Она использует архитектуру Qwen2 с плотной сетью и содержит 7,1 млрд параметров; модель опубликована в формате safetensors и рассчитана на контекст до 4096 токенов. Метаданные указывают задачу token-classification, но карточка не описывает схему меток или конкретные сценарии классификации, поэтому назначение разметки токенов уточнить нельзя. README сообщает о дообучении с использованием TRL. Лицензия в предоставленных данных не указана.

Модель разработана Уиллом Хорном, Алоной О. Долински и Леной Марией Хубер и дообучена на базе microsoft/mdeberta-v3-base для выделения упоминаний целевых групп в политических текстах. Она принимает предложения без дополнительного контекста и присваивает токенам BIO-метки B-GROUP, I-GROUP и O, чтобы определить границы упоминаний. Архитектура — DeBERTa V2 для классификации токенов; размер по метаданным — 306 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа политических манифестов и коммуникации, сравнительных исследований между странами и подготовки текста для последующего анализа, например определения позиции. В карточке приведены результаты оценки на английском и немецком языках, а также дополнительная проверка на нескольких других европейских языках; исходное обучение проводилось на английских и немецких манифестах. Лицензия в предоставленных данных не указана.

MMedLM 2 — мультиязычная медицинская языковая модель Henrychur с 7,4 млрд параметров на архитектуре InternLM2. Это авторегрессионная плотная модель, дообученная продолжением предварительного обучения на медицинском корпусе MMedC; корпус содержит 25,5 млрд токенов. Модель предназначена для исследований и задач, требующих медицинских знаний на английском, китайском, японском, французском, русском и испанском языках. Она поддерживает контекст до 32 768 токенов и может использоваться для генерации текста и извлечения признаков; модельная карточка заявляет оценку на медицинском мультиязычном бенчмарке MMedBench. Модель не проходила дообучение на инструкциях, поэтому для диалога и выполнения пользовательских запросов может потребоваться дополнительная настройка. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0.

Koichi Yasuoka разработал ModernBERT Large, дообученную на японской Википедии и текстах 青空文庫 для разметки частей речи и морфологических признаков. Модель присваивает каждому короткому слову теги UPOS и FEATS; её архитектура — ModernBERT для классификации токенов, размер — 409,7 млн параметров, контекст — до 8192 токенов. Базовая модель — KoichiYasuoka/modernbert-large-japanese-wikipedia. Модель предназначена для автоматического анализа японских текстов, в частности для извлечения грамматической структуры и подготовки данных для последующей лингвистической обработки. Она принимает японский текст и возвращает последовательность токенов с разметкой. Распространяется по лицензии Apache-2.0. Карточка демонстрирует использование через Transformers с пользовательским кодом.

OpenMed-NER-BloodCancerDetect-ElectraMed-335M — медицинская модель OpenMed для распознавания сущностей в текстах о хроническом лимфоцитарном лейкозе (ХЛЛ). Она выполняет классификацию токенов и возвращает BIO-разметку сущностей типов B-CL и I-CL. Модель рассчитана на токенизированные биомедицинские тексты; архитектура в метаданных обозначена как BERT, число параметров — около 433,9 млн, максимальная длина контекста — 512 токенов. Модель можно применять для извлечения упоминаний, связанных с ХЛЛ, из медицинских записей и научной литературы, а также для анализа гематологических документов и подготовки данных для биомедицинских систем. В карточке приведены F1 0,84, точность 0,73 и полнота 0,98 на специализированном корпусе CLL; эти показатели относятся к описанной оценке и не гарантируют такое же качество на других данных. Карточка называет e5-large-v2 базовой архитектурой, однако метаданные не подтверждают идентификатор базовой модели. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-PubMed-109M — модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Это дообученная модель на архитектуре BERT для классификации токенов: она присваивает токенам метки B-CL и I-CL, формируя BIO-разметку сущностей. В карточке указана базовая архитектура BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения упоминаний CLL из научной литературы и медицинских документов, в том числе для тематического поиска и анализа текстов в гематологии и онкологии. В README приведены F1 0,62, точность 0,85 и полнота 0,48 на датасете CLL, поэтому пропуск части сущностей возможен. Эти результаты не подтверждают заявленную в карточке пригодность для клинических решений. Доступна по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-GenomicDetect-TinyMed-82M — дообученную модель RoBERTa для распознавания и классификации именованных сущностей в биомедицинских текстах. По README, модель основана на distilroberta-base и обучена на корпусе GELLUS; метаданные указывают 95,2 млн параметров и контекст до 514 токенов. Модель присваивает токенам BIO-метки для сущностей типа Cell-line-name. Она предназначена для извлечения таких упоминаний из клинических записей и научной литературы, а также для геномного текстового анализа. README приводит высокие показатели на GELLUS, но описывает только один тип сущностей, поэтому результаты не подтверждают извлечение лекарств, химических соединений или всех видов генов и вариантов, упомянутых среди возможных сценариев. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-ElectraMed-109M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это трансформерная модель для классификации токенов на основе архитектуры BERT с 136,7 млн параметров; она размечает фрагменты тегами B-SPECIES и I-SPECIES. Модель дообучена на корпусе SPECIES800, содержащем научные и обиходные названия видов в биомедицинских аннотациях. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий видов из биомедицинской литературы и других профильных текстов, в том числе для таксономического анализа, поиска упоминаний организмов и построения баз знаний о биоразнообразии. В README приведены F1 0,75, точность 0,74 и полнота 0,77 на SPECIES800. Эти показатели относятся к указанному корпусу и не гарантируют качество на клинических записях или текстах других областей. Доступна в формате safetensors, совместима с Transformers и распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-ElectraMed-560M — модель на основе XLM-RoBERTa для распознавания названий организмов в тексте. Она дообучена для token classification на корпусе SPECIES800 и выделяет упоминания видов с помощью меток B-SPECIES и I-SPECIES. Модель предназначена для извлечения названий видов из научной биомедицинской литературы и других текстов, содержащих сведения об организмах. Её можно применять для поиска упоминаний видов, анализа литературы и создания баз знаний по биоразнообразию и таксономии. README приводит F1 0,80, точность 0,77, полноту 0,83 и accuracy 0,97 на SPECIES800. Модель содержит 658,7 млн параметров, принимает текст и выдаёт BIO-разметку сущностей; указанная длина контекста — 514 токенов. В README также перечислены клинические и фармацевтические сценарии, однако модель выделяет сущности видов и не заявлена как инструмент для распознавания лекарств или лекарственных взаимодействий. Карточка указывает английский язык и лицензию Apache-2.0.