I.4Обработка документов и форм

Ovis1.6-Gemma2-9B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP-400M с Gemma2-9B-It и использует архитектуру Ovis для согласования визуальных и текстовых представлений. Модель содержит около 10 млрд параметров и работает с изображениями и текстом; карточка указывает поддержку английского языка. Модель предназначена для диалога по изображениям и других задач, где нужно интерпретировать визуальный материал и отвечать текстом. По сравнению с Ovis1.5 в версии 1.6 улучшена обработка изображений высокого разрешения, использованы более крупные и разнообразные данные обучения, а после обучения на инструкциях проведено DPO-обучение. В README заявлено лидерство среди открытых мультимодальных моделей до 30 млрд параметров на бенчмарке OpenCompass. Модель распространяется в формате safetensors для библиотеки Transformers под лицензией Apache-2.0. Авторы рекомендуют использовать более новую версию Ovis2.5. README также предупреждает, что проверки при обучении не гарантируют полного отсутствия проблемного контента или нарушений авторских прав.

Модель haensumo/Qwen3-0.6B-JSON-SFT-GRPO — дообученная разработчиком haensumo компактная языковая модель семейства Qwen3 для генерации текста. Она создана на основе NotoriousH2/Qwen3-0.6B-JSON-SFT и предназначена для сценариев, где нужен структурированный вывод в JSON; базовая модель ориентирована на извлечение сведений из корейских протоколов совещаний. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. В карточке указаны английский язык и формат весов safetensors; обучение выполнялось с Unsloth и библиотекой TRL. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о том, какие именно изменения внесены на этапе GRPO. Поэтому пригодность для задач за пределами структурированного извлечения данных из корейских протоколов следует проверять отдельно.

Qwen3.5-0.8B-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-0.8B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием mlx-vlm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для задач обработки текста и изображений в формате image-text-to-text, однако README не содержит подробностей о поддерживаемых сценариях, языках и максимальной длине контекста. Известно, что исходная модель имеет размер 0,8 млрд параметров; сведения об архитектуре и конкретных модальностях исходной версии не приведены. Ключевое преимущество модели — сниженное потребление памяти и оптимизация для локального запуска на Apple Silicon благодаря 8-битному представлению и MLX. Ограничения включают возможную потерю качества из-за квантования, неизвестные характеристики производительности и неполные сведения о языках, контексте и применимости. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3.5-2B-heretic — это модифицированная версия мультимодальной модели Qwen3.5-2B, опубликованная пользователем coder3101. Модель дообучена на базе Qwen/Qwen3.5-2B и доступна в формате Safetensors для Transformers и совместимых средств запуска. Архитектура включает языковую модель с визуальным энкодером; размер базовой модели — 2 млрд параметров, нативная длина контекста — 262 144 токена. Модель предназначена для диалогов с текстом и изображениями, ответов на вопросы о содержимом изображений, прототипирования, настройки под конкретные задачи и разработки приложений с вызовом инструментов. В README приведено сравнение, в котором у этой версии 7 отказов из 100 запросов против 97 у исходной модели; это указывает на существенно меньшее число отказов, но не подтверждает качество на других задачах. Карточка описывает базовую модель как многоязычную с поддержкой 201 языка и диалекта, однако не уточняет языковой состав именно этой версии. Для практического использования стоит учитывать, что приведённый в README ориентир для моделей такого размера — прототипирование, исследовательская работа и разработка. Лицензия — Apache-2.0.

Qwen3.5-9B-MLX-4bit — это 4-битная квантованная версия мультимодальной модели Qwen3.5-9B, преобразованная сообществом mlx-community для запуска на устройствах Apple Silicon. Модель предназначена для задач vision-language, в частности для анализа изображений и генерации текстовых описаний по изображениям. Используется в формате MLX SafeTensors через фреймворк mlx-vlm. Модель имеет около 9 млрд параметров в исходной версии; применяется квантование до 4 бит с размером группы 64, а объём файлов составляет примерно 5,6 ГБ. Она поддерживает обработку изображений и текста, однако README не содержит сведений о поддерживаемых языках и размере контекстного окна. Основные сценарии — локальный запуск на Mac с процессорами Apple M1, M2, M3 или M4, автоматическое описание изображений и другие мультимодальные приложения. К преимуществам относятся уменьшенное потребление памяти по сравнению с 8-битной версией и эффективная работа на Apple Silicon. Ограничения связаны с потерями точности, возможными при 4-битном квантовании, а также с тем, что это конвертация, для которой может существовать более оптимизированная версия. Модель распространяется по лицензии Apache 2.0, унаследованной от оригинальной Qwen3.5-9B.

Это конверсия модели AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-Multimodal-NVFP4-MTP-XS в формат GGUF, подготовленная Goldlionren00 для локального запуска в совместимых с llama.cpp средах. Модель семейства Qwen3.6 имеет класс размера 27B и принимает текст, а при подключении файла проектора mmproj-BF16.gguf — также изображения; поддерживает диалоговый режим и задачи vision. Репозиторий предназначен для локального инференса, особенно на видеокартах NVIDIA Blackwell, включая RTX 5090. Основные веса используют NVFP4; предпочтительна видеокарта с 24–32 ГБ видеопамяти или больше. На старых GPU запуск зависит от поддержки формата средой исполнения, а ускорение NVFP4 может быть недоступно. Использование MTP-ускорения зависит от поддержки этой функции конкретной версией runtime и GGUF. Модель обозначена как uncensored, поэтому для приложений с пользовательским доступом потребуются собственные меры модерации и контроля. Карточка предупреждает не использовать её в высокорисковых или производственных средах без надлежащих мер защиты. Лицензия репозитория — Apache-2.0.

saracen9/amoral-qwen3.8-27b — мультимодальная модель для диалога и рассуждений с изображениями, созданная на основе Qwen3.8-27B. Разработчик удалил направления отказа из базовой модели с помощью Heretic, затем дообучил её методом QLoRA на корпусе рассуждений и данных для рассуждений по изображениям. Репозиторий содержит GGUF в формате Q4_K_M для текстовой модели и отдельный vision-проектор CLIP в F16; для обработки изображений нужны оба файла. Модель принимает текст и изображения и выдаёт рассуждения и ответ в одном ходе. В README заявлены сохранение визуальных рассуждений после дообучения и отсутствие отказов на допустимые запросы. Модель предназначена для локального запуска; текстовая часть занимает около 16,5 ГБ и, по карточке, помещается на GPU с 24 ГБ памяти. Указана лицензия Apache-2.0. Модель намеренно ослабляет отказы и рассчитана на выполнение запросов, которые стандартные модели могут отклонять; это включает потенциально опасные инструкции. Заявления о проверке приведены разработчиком, независимые результаты в карточке не представлены.

Cipher-AI/AutoCorrect-EN — модель Cipher-AI для исправления опечаток и ошибок в английском тексте. Она принимает текст с искажёнными словами и генерирует исправленный вариант; пример в карточке показывает исправление многочисленных опечаток в предложении о медицинских работниках. Модель построена на архитектуре T5 с 123,8 млн параметров и дообучена на google-t5/t5-base на наборе английских предложений. Она использует библиотеку Transformers, формат весов Safetensors и поддерживает контекст до 512 токенов. Модель подходит для корректировки пользовательского текста, черновиков и предложений перед публикацией. Вход и выход — текст на английском языке. Лицензия Apache-2.0. Карточка демонстрирует исправление опечаток, но не подтверждает проверку грамматики, стиля или фактической точности; при обработке более длинных текстов следует учитывать ограничение контекста.

Карточка модели hamayawayuri/ayanokoji на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3.6-27B-abliterated, поэтому описание составлено по ней. Huihui-Qwen3.6-27B-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре Qwen3.5 с 27 млрд параметров, созданная методом abliteration на базе Qwen/Qwen3.6-27B. Модель принимает текст и изображения и генерирует текст; предназначена для диалогов и задач с визуальным вводом. В метаданных также заявлен интерфейс для вызова инструментов. Автор описывает её как экспериментальную proof-of-concept версию с существенно ослабленными отказами от ответов. Это расширяет диапазон запросов, на которые модель отвечает, но повышает риск чувствительных, спорных или неподходящих результатов. Репозиторий распространяется по лицензии Apache-2.0.

Misraj AI разработала Baseer__Nakba — мультимодальную модель на архитектуре Qwen2.5-VL с 3,1 млрд параметров, предназначенную для распознавания рукописного арабского текста на исторических документах. Модель принимает изображения и формирует текст; её обучали для соревнования Nakba NLP 2026, где она заняла первое место на закрытом тестовом наборе. Обучение включало последовательную настройку декодера и всей модели на данных Muharaf и Nakba, а также слияние контрольных точек SLERP. Модель рассчитана на связное курсивное письмо, различия почерков и ухудшение качества старых документов. Контекст составляет до 128 000 токенов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

mpalaval/bert-ner-3 — дообученная модель на базе BERT bert-base-cased для классификации токенов, в том числе разметки именованных сущностей. В карточке указан датасет None; сведения о его составе и типах меток отсутствуют. Модель содержит 135,5 млн параметров, использует архитектуру BERT и формат PyTorch. Максимальная длина контекста — 512 токенов. В README приведены результаты оценки: precision 0,1708, recall 0,4296, F1 0,2444 и accuracy 0,8849; эти показатели указывают на ограничения качества разметки. Лицензия — Apache-2.0.

twnlp/ChineseErrorCorrector3-4B — дообученная модель семейства Qwen3 для исправления ошибок в китайском тексте. По данным карточки, модель прошла полное обучение на 2 млн примеров с коррекциями и предназначена для исправления орфографии (CSC) и грамматики (CGEC). Она построена на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и использует контекст до 40 960 токенов. Модель принимает китайский текст и генерирует исправленный текст; в метаданных также указана поддержка диалогового режима. Модель подходит для автоматической вычитки китайских текстов и интеграции коррекции в приложения на базе Transformers. В README приведены оценки на NaCGEC Data и сравнение с несколькими моделями, но показанная таблица не содержит результатов самой ChineseErrorCorrector3-4B. Лицензия — Apache-2.0.

G3 Glitter 4B — дообученная мультимодальная модель на базе Google Gemma 3 4B IT, созданная allura-org. В README сказано, что для неё использован тот же набор данных для обучения, что и для Glitter 12B. Модель предназначена для диалога и работы с изображениями: она принимает текст и изображения, а отвечает текстом. Метаданные указывают на архитектуру Gemma 3, 4B и поддержку vision. Подробности о сценариях обучения и конкретных возможностях набора данных README перенаправляет на карточку Glitter 12B, поэтому здесь они не уточняются. Лицензия и специальные ограничения в предоставленных данных не указаны.

Это дообученная модель семейства Gemma 4, разработанная didula-wso2 на основе didula-wso2/gemma4_sft-ballerina_klge_easysft_16bit_vllm. Она предназначена для диалоговых задач с текстовыми и визуальными входными данными: принимает текст и изображения и формирует текстовые ответы. В метаданных модель обозначена как image-text-to-text; обучение проводилось с использованием Unsloth и библиотеки TRL Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет размер модели, длину контекста и конкретные сценарии дообучения, поэтому её пригодность для узких задач по доступным сведениям определить нельзя.

JanusCoderV-7B-GGUF — набор GGUF-квантизаций модели JanusCoderV-7B, разработанной internlm и подготовленной bartowski. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач, связанных с обработкой изображений и текста, однако подробное описание исходной архитектуры и целевых сценариев в предоставленной карточке отсутствует. Доступны варианты от полного BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и Q2, размером примерно от 3,49 до 15,24 ГБ. Квантизации выполнены с использованием imatrix и могут запускаться через llama.cpp, LM Studio и другие совместимые проекты. Для модели приведён шаблон диалога на основе специальных токенов, но автор предупреждает, что он может быть неточным. Сильная сторона набора — широкий выбор компромиссов между качеством, размером и требованиями к памяти; варианты Q5 и Q6 обозначены как высококачественные, а Q4_K_M — как универсальный вариант. Ограничения включают отсутствие сведений о поддерживаемых языках, размере контекста, точной архитектуре, результатах оценки и лицензии. Условия использования и лицензия в карточке не указаны.

jvjmoura/joaollmmoura — дообученная мультимодальная модель семейства Gemma 4, разработанная jvjmoura на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL из Hugging Face. Она предназначена для диалоговых сценариев, в которых нужно обрабатывать текст и изображения и формировать текстовые ответы; в метаданных также отмечен интерфейс вызова инструментов. Модель использует плотную архитектуру Gemma4ForConditionalGeneration, распространяется в формате safetensors и имеет лицензию Apache-2.0. Карточка не описывает специализацию дообучения, размер модели, длину контекста или результаты оценки качества. Для поддерживаемых сценариев и качества ответов требуется практическая проверка.

K2-nano-v1 — слитая модель на архитектуре Gemma 4, созданная методом Tri-Ring с помощью mergekit. Она предназначена для диалоговых сценариев с текстом и изображениями: принимает текст и изображения и формирует текстовые ответы. В README указаны три объединённые модели и базовая модель с локальными путями, поэтому определить их публичные идентификаторы Hugging Face нельзя. Модель опубликована в формате safetensors и использует библиотеку Transformers. В метаданных указан тип задачи image-text-to-text и возможность работы с изображениями. Лицензия, размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не определены.

ania3000/kubert-morph — дообученная модель BERT для классификации токенов, созданная на основе ania3000/kubert-from_multilingual. Она предназначена для присвоения меток отдельным токенам текста; конкретный набор меток и прикладной сценарий в карточке не раскрыты. Модель содержит 205,1 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README приведены результаты оценки: accuracy 69,09%, точность целых предложений 14,71% и loss 2,0092; качество зависит от задачи и данных, на которых проводится применение.

kavg/LiLT-RE-ES — дообученная модель LiLT и XLM-RoBERTa для извлечения отношений между сущностями в документах. Она обучена на наборе xfun и предназначена для анализа текстовых документов с учётом расположения элементов на странице. В репозитории указаны метрики на оценочной выборке: precision 0,3111, recall 0,5225 и F1 0,3900. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель основана на nielsr/lilt-xlm-roberta-base и распространяется по лицензии MIT. Показатели оценки указывают на ограниченное качество извлечения отношений; README не уточняет языковую специализацию варианта ES или подробности разметки и обучения.

Malaysian Llama-3 8B 262k — плотная языковая модель семейства Llama, опубликованная mesolitica. Она предназначена для генерации текста с контекстом до 262 144 токенов; в карточке также указано значение RoPE Theta 207 100 000. Размер модели составляет 7,5 млрд параметров, файлы доступны в формате Safetensors, а для работы используется Transformers. Модель подходит для генерации и продолжения текста с длинным контекстом на малайском языке. README не раскрывает деталей обучения или оценок качества. Лицензия в предоставленных данных не указана.

OCRonos-Vintage — компактная специализированная языковая модель, разработанная PleIAs для исправления ошибок OCR в англоязычных архивах культурного наследия. Это плотная GPT-2 модель с 124 млн параметров, обученная с нуля на корпусе из 18 млрд токенов материалов Library of Congress, Internet Archive и HathiTrust. Модель использует токенизатор GPT-2 и контекст длиной 1 024 токена; по заявлению авторов, она рассчитана на запуск на CPU и пакетную обработку на GPU. Основной сценарий — коррекция распознанного архивного текста; для подачи и результата в карточке задан формат с маркерами ### Text ### и ### Correction ###. Модель также может генерировать стилизованный исторический текст, преимущественно относящийся к периоду до 1940 года, с жёсткой временной границей 29 декабря 1955 года. Авторы сообщают о качестве коррекции, сравнимом с GPT-4 и версией OCRonos на базе Llama для англоязычных культурных архивов, однако это их оценка, а не независимый бенчмарк. Модель предназначена прежде всего для английского исторического и архивного материала. Короткое контекстное окно ограничивает обработку длинных текстов за один проход, а токенизатор GPT-2 может быть неэффективен для шумного OCR. Лицензия весов — Apache-2.0; в README также указано предпочтение к лицензированию результатов как public domain или CC0.

OpenMed-PII-ClinicalE5-Large-335M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель BERT на базе intfloat/e5-large-v2 с архитектурой BertForTokenClassification; метаданные указывают 433,9 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для поиска 54 типов чувствительных сущностей, включая имена, адреса, контактные данные, номера медицинских записей, финансовые идентификаторы и сетевые адреса, а также для обезличивания клинических записей и подготовки наборов данных. В README сообщается о micro F1 0,9577 на тестовой выборке из 2 000 примеров Nemotron-PII. Модель можно подключить через pipeline token classification в Transformers и использовать для предварительной проверки документов и аудита коллекций. Она ориентирована прежде всего на английский текст; возможны пропуски PII и снижение качества на специализированной терминологии и отдельных типах сущностей, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0. Модель поддерживает автоматическую разметку токенов, но сама по себе не выполняет редактирование или удаление обнаруженных данных из документа.

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.

OpenYourMind-Qwen3.6-35B-A3B-kuato-DPO-abliterated-uncensored — мультимодальная модель, независимо подготовленная автором OpenYourMind на основе Qwen/Qwen3.6-35B-A3B. Это версия с ослабленными отказами: после абляции механизмов отказа модель дополнительно обучили методом DPO на частном наборе менее чем из 1000 примеров. Автор сообщает о нуле отказов на HarmBench и отсутствии уклончивых ответов в проведённых сравнениях; это результаты собственных тестов автора. Модель предназначена для диалогов и анализа изображений с менее ограничительным поведением при ответах. Веса представлены в формате FP16 safetensors, включая восстановленную визуальную башню базовой модели; для работы указаны Transformers и AutoProcessor. Метаданные относят архитектуру к семейству Qwen3.5 MoE и указывают поддержку vision и chat. Лицензия обозначена как other, а README советует пользователям самостоятельно учитывать применимые законы и правила платформ.

Это производная мультимодальной модели Qwen3.8-27B, подготовленная сообществом QQZ2026 для запуска через llama.cpp в формате GGUF. В репозитории размещены варианты NVFP4/Q5K с физически удалённым слоем MTP и соответствующий проектор изображений F16; сохранённые тензоры скопированы без повторной квантизации. Проект не является официальным выпуском Qwen, NVIDIA, Hugging Face или llama.cpp. Модель предназначена для диалогов с изображениями и их анализа. Автор описывает профиль запуска на видеокарте NVIDIA GeForce RTX 5060 Ti с 16 ГБ видеопамяти: текстовая часть размещается на GPU, проектор изображений — в оперативной памяти, а число токенов изображения ограничивается 4096. В конфигурации с общим KV-кэшем на 66 тыс. токенов проверялась параллельная обработка запросов; скорость декодирования на GPU в отдельных тестах составляла около 25,9 токена в секунду. Профиль чувствителен к конфигурации оборудования и программного обеспечения: после прогрева оставалось около 74 МиБ свободной видеопамяти, поэтому другие CUDA-нагрузки или иные параметры могут привести к нехватке ресурсов. Без ограничения токенов изображения запросы с динамическим разрешением могут превысить доступную ёмкость контекста. README не сообщает условия лицензии; перед использованием следует проверить лицензию базовой модели и самого репозитория.

Rakib/roberta-base-on-cuad — модель вопросно-ответной системы, разработанная Мохаммедом Ракибом на основе RoBERTa. Она предназначена для поиска ответов на вопросы по юридическим документам, в частности по договорам; при обучении использовался датасет CUAD. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает контекст длиной до 514 токенов. Модель подходит для извлечения сведений из договоров и первичного анализа контрактов на английском языке. Она распространяется по лицензии MIT. В карточке не приведены метрики качества и подробности предобработки, поэтому результаты следует проверять на документах целевого типа; длина контекста ограничивает обработку больших документов целиком.

admko/sembr2023-bert-small — дообученная модель на основе prajjwal1/bert-small для классификации токенов. В карточке приведены метрики на оценочной выборке: F1 0,8159, точность 0,7915, полнота 0,8418 и accuracy 0,9651. Модель построена на архитектуре BERT и содержит 32,4 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для отдельных токенов. Назначение меток, язык и набор данных в карточке не раскрыты, поэтому конкретную прикладную область определить нельзя. Репозиторий содержит веса PyTorch и safetensors; лицензия — MIT.

Swedish Lion Libre — модель распознавания рукописного текста, разработанная Национальным архивом Швеции совместно с Городским архивом Стокгольма, Национальным архивом Финляндии и Jämtlands Fornskriftsällskap. Это дообученная модель TrOCR base handwritten с архитектурой vision-encoder-decoder, предназначенная для транскрибации отдельных строк на изображениях.

Asagi-2B — японская мультимодальная модель для диалогов с изображениями и текстом. Репозиторий aipib содержит её GGUF-версию в формате F16; в метаданных архитектура указана как LlavaForConditionalGeneration, семейство Llava. Модель дообучена на основе llm-jp/llm-jp-3-1.8b-instruct и предназначена для задач image-text-to-text. Модель принимает изображения и текстовые запросы, а в ответ генерирует текст. В README указано, что для подготовки imatrix использовался японский датасет TFMC/imatrix-dataset-for-japanese-llm; метаданные также отмечают японский язык. Лицензия — Apache-2.0. README ссылается на стороннюю статью с инструкциями по конвертации GGUF и использованию через Ollama.

BETO16 — дообученная испаноязычная модель BERT для классификации токенов. Она основана на dccuchile/bert-base-spanish-wwm-cased, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В карточке приведены метрики на наборе оценки: F1 0,9631 и accuracy 0,9939. Модель предназначена для присвоения меток отдельным токенам в испанском тексте. Назначение меток, обучающий набор данных и конкретные сценарии применения в карточке не раскрыты, поэтому по имеющимся сведениям нельзя определить, выполняет ли она, например, распознавание сущностей или другую разновидность разметки последовательностей. Файлы модели представлены в формате Safetensors; лицензия в предоставленных данных не указана.