I.4Обработка документов и форм

inferencerlabs/DeepSeek-V4.1-MLX-Q4i — экспериментальная квантованная сборка модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI. Сборка перепаковывает основную часть исходной модели с минимальным сжатием, чтобы она могла работать в системе с 512 ГиБ оперативной памяти, и предназначена для локального запуска на устройствах Apple через библиотеку MLX и приложение Inferencer. Модель относится к мультимодальному классу image-text-to-text, поэтому предназначена для обработки изображений и текста с генерацией текстовых ответов. В README не указаны точный размер модели, архитектура, объём контекстного окна и поддерживаемые языки. Согласно приведённому тесту, на M3 Ultra достигалась скорость около 14,6 токена в секунду при генерации последовательности длиной 1000 токенов; заявленный объём памяти составлял примерно 425,9 ГиБ. К сильным сторонам относятся сохранение большей части исходной модели, минимальная степень сжатия и адаптация к экосистеме MLX. Ограничениями являются чрезвычайно высокие требования к памяти, экспериментальный статус и отсутствие подробных данных о качестве, точности и совместимости. Квантование выполнено модифицированной версией MLX. Условия лицензирования в README не указаны; модель предоставлена третьей стороной, а пользователь несёт ответственность за проверку результатов.

Модель разработана коллективом collective.ai в рамках проекта AymurAI компании DataGenero. Это модель распознавания именованных сущностей для испаноязычных судебных решений: она построена на эмбеддингах BETO — версии BERT для испанского языка — и архитектуре BiLSTM-CRF, обученной по рекомендациям Flair. Модель извлекает из документов сведения, связанные с делами о гендерном насилии, включая даты рождения, даты вынесения решений и национальности. Модель обучена на 1200 судебных решениях закрытого набора данных одного уголовного суда Аргентины. Она предназначена для полуавтоматизированного сбора и анализа данных о делах, а не для самостоятельной юридической оценки. В README приведены метрики по нескольким типам сущностей; например, F1 для дат рождения составляет 0,99, а для дат решений и национальностей — 0,96. Результаты зависят от качества и единообразия документов. Из-за обучения на данных одного аргентинского суда модель может хуже работать с другими странами, правовыми системами и культурными контекстами. Проект AymurAI описан как прототип, внедряемый в одном суде Буэнос-Айреса. Лицензия модели — MIT.

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.

InternOmni — мультимодальная диалоговая модель OpenGVLab для взаимодействия с изображениями и текстом. Карточка показывает запуск через библиотеку Transformers, а метаданные относят модель к семейству InternVL Chat и указывают возможности чата. Модель предназначена для диалога с изображениями и генерации текста; в метаданных также отмечена поддержка text-generation. Она собрана с использованием InternLM2.5-7B-Chat и визуальной модели InternViT-300M-448px. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Карточка README не описывает качество, конкретные сценарии работы, поддерживаемые языки или ограничения, поэтому эти свойства нельзя уточнить.

Карточка модели hamayawayuri/KillorKiss 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.

BarzinV разработал Maltese OCR — TrOCR char-decoder для распознавания печатного текста на мальтийском языке в изображениях. Модель создана для соревнования DocEng 2026 по извлечению корпусов на мальтийском языке и построена на архитектуре VisionEncoderDecoderModel: визуальный энкодер ViT/DeiT принимает изображения размером 384×384, а трансформерный декодер генерирует текст посимвольно. Словарь из 120 токенов охватывает мальтийские буквы, латиницу, цифры и знаки препинания. Модель дообучена на Microsoft TrOCR Base Handwritten, с заменой исходного субсловного декодера на символьный; обучение включало самосупервизионную предобучающую стадию энкодера и последующее обучение на синтетических изображениях текста. Она предназначена для транскрибирования мальтийского печатного текста, включая короткие фрагменты и строки. На наборе разработки соревнования из 422 изображений заявлен corpus-aggregate CER около 0,3912. Модель распространяется под лицензией MIT. Основное ограничение — разрыв между синтетическими обучающими данными и реальными изображениями: ошибки чаще возникают на зашумлённых или низкокачественных фрагментах. Модель рассчитана на печатный мальтийский текст, не предназначена для рукописей и других языков; декодер ограничен 512 позициями, поэтому текст длиннее примерно 511 символов может быть обрезан.

Muse-Glimmer-30B-int4-ov — мультимодальная модель Meta Superintelligence Lab, представленная в формате OpenVINO IR с весами, сжатыми до INT4 с помощью NNCF. В основе — плотный причинный трансформер с отдельным энкодером восприятия; модель принимает текст и изображения и генерирует текст. Видео можно обрабатывать как последовательность отдельных кадров. Модель предназначена для диалогов и анализа изображений, а также для сценариев, поддерживаемых исходной Muse-Glimmer-30B. Для запуска нужны OpenVINO 2026.3.1 или новее, Transformers 5.15 и версия Optimum Intel с поддержкой Muse Glimmer. Совместимость пока экспериментальная и требует версий разработки Optimum Intel и OpenVINO. Квантизация INT4 может немного снизить качество по сравнению с BF16. Ответы могут быть неточными, предвзятыми или нежелательными; видео не было основной целью оптимизации исходной модели. Модель распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-mt-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит тексты с мальтийского языка на английский и предназначена для автоматического перевода предложений и документов. Модель построена на архитектуре Transformer-align; перед подачей текста применяются нормализация и токенизация SentencePiece. В репозитории доступны веса PyTorch, TensorFlow и Flax; модель содержит 53,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке приведены результаты на тестовых наборах JW300.mt.en и Tatoeba.mt.en: BLEU 49,0 и 53,3 соответственно. Модель распространяется по лицензии Apache 2.0. Она предназначена для перевода с мальтийского на английский; качество на других языковых парах и вне указанных тестовых наборов не заявлено.

piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v3 — дообученная piyawudk мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration на 4 млрд параметров, основанная на Qwen/Qwen3.5-4B. Она предназначена для диалогового взаимодействия и обработки изображений с текстом. В карточке указано, что обучение выполнялось с Unsloth; модель опубликована в формате Safetensors. Модель принимает текст и изображения и выдаёт текст. Поддерживаемый карточкой язык — английский. Лицензия Apache-2.0. README не уточняет специализацию названия PhishMe, данные обучения или конкретные показатели качества, поэтому пригодность для обнаружения фишинга по имеющимся сведениям подтвердить нельзя.

qwen2.5-3b-legal-merged — языковая модель Ayush Ghatak для анализа юридических текстов. Она основана на Qwen/Qwen2.5-3B, дообучена с помощью LoRA на подборке юридических оговорок, условий обслуживания и политик конфиденциальности, после чего адаптеры объединены с весами модели. Это плотная авторегрессионная модель Qwen2 с 3,1 млрд параметров, контекстом 32 768 токенов и форматом safetensors. Модель предназначена для разбора договорных положений: определения типа документа и сторон, объяснения юридической терминологии, анализа обязательств и условий, а также составления кратких резюме на понятном английском языке. Карточка описывает ожидаемые структурированные ответы, разделённые на пошаговый разбор и основные выводы. Модель ориентирована на английский язык и юридическую область; заявлена поддержка интерфейса вызова инструментов. Лицензия — Apache-2.0. Ответы модели могут содержать ошибки и не заменяют проверку юристом; карточка не приводит результатов независимой оценки качества.

TextNet — компактная архитектура компьютерного зрения для извлечения признаков изображения и обнаружения текстовых областей. Модель опубликована пользователями Raghavan, jadechoghari и nielsr; репозиторий использует библиотеку Transformers и хранит веса в формате safetensors. В семействе описаны варианты TextNet-T, TextNet-S и TextNet-B размером 6,8 млн, 8,0 млн и 8,9 млн параметров соответственно; конкретный вариант репозитория czczup/textnet-base в README не уточняется. Модель предназначена для обнаружения текста в естественных сценах и документах, включая разноязычный текст с различной ориентацией. README сообщает о предварительном обучении на IC17-MLT и дообучении на Total-Text, а также о компромиссе между точностью и скоростью на GPU. Это извлекатель визуальных признаков, поэтому сам по себе он не выполняет распознавание текста и не генерирует транскрипцию. Лицензия в предоставленных данных не приведена.

airagrp/ThinkingCap-Qwen3.8-27B-mlx-mxfp8 — конверсия и смешанно-точностная квантизация модели bottlecapai/ThinkingCap-Qwen3.8-27B для запуска на MLX. Это плотная мультимодальная модель семейства Qwen3.5 для диалогов с изображениями и текстом; репозиторий использует формат safetensors и библиотеку MLX. В части слоёв применён mxfp8 с группами по 32 веса, остальные веса хранятся в bfloat16. Эффективный размер составляет около 32 ГБ; в чекпойнт также включена родная MTP-голова для спекулятивного декодирования через mlx-vlm. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения и отвечать текстом. README приводит сравнение перплексии и расхождения распределений на WikiText-2 с эталоном bf16; эти измерения характеризуют языковое поведение на данном тесте и сами по себе не гарантируют качество на других задачах. Использование рассчитано на MLX и mlx-vlm. Лицензия указана как other, поэтому условия следует проверять в карточке репозитория и у базовой модели.

UI-Venus-2-9B-GGUF — квантизированная GGUF-версия мультимодальной модели UI-Venus-2-9B, разработанной inclusionAI и подготовленной bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для задач, связанных с пользовательскими интерфейсами, GUI-агентами и обработкой визуально-текстовой информации. Модель принимает текст, а также изображения при наличии отдельного файла mmproj. Она может использоваться для анализа интерфейсов и сценариев взаимодействия с ними, однако README не содержит сведений о конкретной архитектуре, поддерживаемых языках, размере контекста и результатах сравнительных тестов. Доступны варианты от BF16 до различных уровней квантования; рекомендуемым универсальным вариантом указан Q4_K_M размером 5,91 ГБ, а более высокое качество дают Q5 и Q6. Квантизация с imatrix направлена на сохранение качества при уменьшении требований к памяти. Сильными сторонами являются поддержка изображений совместно с текстом, адаптация к GUI-сценариям и широкий выбор вариантов квантования для разного объёма доступной RAM. Ограничениями могут быть снижение качества у малобитных вариантов, необходимость отдельного mmproj-файла для работы с изображениями и отсутствие поддержки speculative decoding. Модель распространяется по лицензии Apache-2.0.

CoLLaVO — мультимодальная модель языка и зрения, представленная в работе «CoLLaVO: Crayon Large Language and Vision mOdel». Репозиторий содержит веса модели; архитектура основана на InternLM и имеет 7,4 млрд параметров. Для работы с изображениями модель принимает изображение и инструкцию, затем генерирует текстовый ответ. Указанный размер контекста — 32 768 токенов. Модель предназначена для сценариев, где нужно задавать вопросы об изображениях и получать ответы на естественном языке. Для запуска автор README отсылает к коду CoLLaVO на GitHub и описывает загрузку изображения, подготовку инструкции, предобработку, генерацию и декодирование. Лицензия — MIT. В карточке нет сведений о поддерживаемых языках или сравнительных оценках качества.

DavidAU представил Gemma 3 4B IT Heretic как версию Gemma 3, изменённую инструментом Heretic v1.0.1 для снижения числа отказов. Это плотная мультимодальная модель Google с 4 млрд параметров, дообученная на базе google/gemma-3-4b-it; она принимает текст и изображения и предназначена для диалогов и ответов на вопросы по изображениям. В README указано контекстное окно 128 тыс. токенов. Автор сообщает о показателях 2 отказа из 100 запросов и KL-дивергенции 0,38 против 98 отказов из 100 у исходной модели. Модель рассчитана на более свободную генерацию, включая взрослый и откровенный контент; для некоторых запросов README рекомендует явно задавать нужный стиль. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Healthcare Brain Medication NER — модель Genzeon Platforms для извлечения сведений о лекарствах из неструктурированного клинического текста. Это модель классификации токенов на основе Bio_ClinicalBERT с разметкой BIO; она содержит 135,5 млн параметров и принимает контекст до 512 токенов. Модель выделяет 12 категорий сущностей, включая названия препаратов, дозировки, концентрации, лекарственные формы, пути и частоту введения, длительность курса, побочные реакции и коды лекарств. Модель предназначена для обработки медицинских записей, выписок, клинических заметок и свободно сформулированных назначений. Её можно применять для структурирования назначений, сверки лекарственной терапии, поиска лекарственно-связанных нежелательных реакций и подготовки данных для клинических исследований. Карточка сообщает об английском языке и обучении преимущественно на синтетических клинических примерах, а также о поддержке корпусов n2c2 2018, i2b2 2009 и BC5CDR. Лицензия — Apache-2.0. В README приведены метрики на тестовых данных, однако автор предупреждает, что перенос на разнообразную реальную клиническую документацию может отличаться из-за синтетического смещения обучающих данных. Возможны ошибки границ составных названий препаратов и неоднозначность между показанием и побочной реакцией; для распознавания кодов NDC и RxNorm обычно нужен соответствующий контекст. Для клинических решений рекомендуется проверка специалистом.

Huihui-Qwen3-VL-32B-Thinking-abliterated — мультимодальная модель huihui-ai на архитектуре Qwen3-VL, созданная обработкой текстовой части базовой модели Qwen/Qwen3-VL-32B-Thinking методом abliteration. Модель принимает текст и изображения и предназначена для диалога, визуального анализа и рассуждений по изображениям; в README также заявлена работа с визуальными запросами, на которые исходная модель могла отказаться отвечать. Изменена только текстовая часть модели, а не визуальная. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, распространяется в формате safetensors и работает через Transformers. README приводит вариант запуска через Ollama. Лицензия — Apache-2.0. Снижение защитных отказов может приводить к чувствительным, спорным или небезопасным ответам; результаты следует проверять. Размер параметров и длина контекста для этой версии в предоставленных данных не указаны.

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.

Модель sbx/KB-bert-swedish_PI-detection-detailed разработана Språkbanken Text в рамках исследовательской среды Mormor Karl и опубликована Марией Иреной Шаверной. Это дообученная модель BERT для классификации отдельных токенов в шведском тексте: она выявляет и размечает личные и чувствительные сведения, включая имена, адреса, контакты, идентификаторы, даты, сведения об образовании и семье. Модель основана на KB/bert-base-swedish-cased, содержит 151,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Она предназначена для предварительной разметки и помощи человеку при аннотации или деидентификации эссе изучающих шведский как второй язык. Лицензия — GPL-3.0. Качество модели лучше всего ожидается в исходном домене обучающих данных; на других типах текстов и для редких либо ранее не встречавшихся видов личных данных оно может снижаться. Модель не гарантирует обнаружение всех сведений и не должна самостоятельно автоматизировать разметку или деидентификацию; результаты требуют проверки человеком.

khadija69/mdebertaV3_BIES_stem_1K_6 — дообученная модель на архитектуре mDeBERTa-v2 для классификации токенов. Она основана на khadija69/mdebertaV3_BIES_stem_1K_5 и предназначена для присвоения меток отдельным токенам, например для извлечения сущностей или разметки последовательностей. Модель содержит 306 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены метрики обучения и валидации после пяти эпох: точность на валидационном наборе составляет 0,3978. Датасет и схема меток не описаны, поэтому целевую предметную задачу и языки нельзя установить по доступным сведениям. Модель опубликована в формате TensorFlow под лицензией MIT.

Карточка модели hamayawayuri/Models_uid 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.

Helsinki-NLP разработала OPUS-MT sem-en — модель машинного перевода с семитских языков на английский. Это Transformer-модель семейства MarianMT с 56,5 млн параметров; она использует нормализацию и SentencePiece с словарями по 32 тыс. токенов. Для обработки текста модель принимает последовательности длиной до 512 токенов. Модель обучена для перевода арабских разновидностей acm, afb, apc, arq, ary и arz, современного стандартного арабского (ara), амхарского (amh), иврита (heb), мальтийского (mlt) и тигринья (tir) на английский. В README приведены результаты на тестах Tatoeba для амхарского, арабского и иврита. Модель поддерживает перевод текста, но качество может различаться между языками и разновидностями; опубликованные тестовые оценки не гарантируют качество для любого текста. Лицензия — Apache 2.0.

Helsinki-NLP/opus-mt-ti-en — модель машинного перевода семейства MarianMT, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с тигринья (ti) на английский (en) и предназначена для перевода отдельных фраз и документов. Модель использует архитектуру Transformer, нормализацию текста и токенизацию SentencePiece; размер составляет 57,4 млн параметров, контекст — до 512 токенов. Для набора JW300.ti.en в карточке приведены оценки BLEU 30,4 и chr-F 0,461. Модель распространяется по лицензии Apache-2.0. В метаданных указаны форматы PyTorch и TensorFlow.

OrionLLM_GRM-2.6-Plus-0628-GGUF — это набор GGUF-квантизаций модели GRM-2.6-Plus-0628, разработанной OrionLLM и преобразованной пользователем bartowski с использованием llama.cpp и imatrix-калибровки. Модель предназначена для задач image-text-to-text, однако README не содержит подробностей о поддерживаемых визуальных входах, языках, архитектуре и размере исходной модели. Набор ориентирован на локальный запуск и инференс через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 до низкобитных Q3-, Q4-, Q5-, Q6- и Q8-квантизаций с размером файлов примерно от 15,3 до 54,7 ГБ, что позволяет выбирать между качеством, потреблением памяти и скоростью работы. В README рекомендуются, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Модель содержит MTP-слои для self-speculative decoding, которые могут ускорять генерацию в llama.cpp при использовании параметра --spec-type draft-mtp. Ограничения включают значительные требования к оперативной или видеопамяти, зависящие от выбранной квантизации, а низкобитные варианты могут уступать полноразмерным по качеству. Для запуска также может потребоваться актуальная версия совместимого программного обеспечения. Лицензия — Apache-2.0.

quinex-context-v0-77M — модель Jülich Systems Analysis на основе FLAN-T5 small, дообученная для извлечения контекста измерений количественных значений в тексте. Она использует многошаговые вопросы и ответы, чтобы определить измеряемое свойство, сущность и уточняющие сведения: временной и пространственный охват, источник, метод или ограничения. Для поиска количеств перед её применением авторы рекомендуют использовать отдельные модели идентификации величин. Модель построена на архитектуре T5 типа encoder-decoder и распространяется в формате safetensors; метаданные указывают 45,8 млн параметров, а в README приведено значение 77 млн. Контекст составляет до 512 токенов. Обучение охватывало наборы данных для извлечения измерительных сведений, включая Wiki-Measurements, MeasEval и Quinex-Hydrogen-TechData. Карточка приводит оценку F1 83,32 для общего результата на тестовом наборе. Указан английский язык. Модель предназначена для извлечения информации из текста, а не для идентификации самих количеств; лицензия — Apache-2.0.

Qwen3-VL-8B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами метода Causal Visual Recurrent Reasoning (CVRR) на базе Qwen/Qwen3-VL-8B-Instruct. Она сохраняет визуальные представления базовой модели и использует рекуррентное уточнение состояния вопроса с фиксированными визуальными данными; итоговый декодер получает это состояние без прямого доступа к исходным визуальным данным. Пакет включает веса базовой модели, объединённый рекуррентный переход и специальный код инференса. Модель предназначена для визуального рассуждения и ответов на вопросы по изображениям. В метаданных указано 8 млрд параметров для базовой модели; репозиторий использует Transformers и формат safetensors. README не сообщает о поддерживаемых естественных языках или длине контекста. Для использования требуется специальный загрузчик: автоматическое разбиение модели между устройствами, прямая загрузка через vLLM или SGLang и повторная сериализация через стандартный save_pretrained() не поддерживаются. Лицензия — Apache-2.0.

Apriel-1.5-15b-Thinker-GGUF — это квантованные версии модели Apriel-1.5-15b-Thinker, разработанной ServiceNow AI. Файлы подготовлены пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text, однако README не содержит подробностей о поддерживаемых визуальных и текстовых сценариях. Доступны исходные веса BF16 размером 28,87 ГБ и варианты квантования от Q8_0 до Q3_K и IQ3_M/IQ4_XS. Более крупные варианты обычно сохраняют более высокое качество, а компактные требуют меньше оперативной памяти; в README рекомендованы, в частности, Q6_K_L, Q6_K, Q5_K и Q4_K_M. Модель предназначена для запуска через LM Studio, llama.cpp и совместимые проекты. README не содержит сведений о точном числе параметров сверх обозначения 15b, архитектуре, языках, размере контекстного окна, конкретных возможностях мультимодального ввода, системном промпте и лицензии. Поэтому эти характеристики нельзя надёжно определить по представленным данным.

XLMR Token Classifier for Term Extraction — дообученная авторами модель XLM-RoBERTa для извлечения терминов из английского текста. Она выполняет токенную классификацию: каждому токену присваивается метка, например B-Term, I-Term, BN-Term, IN-Term или O, чтобы выделить термины, в том числе вложенные. Модель предназначена для извлечения терминологии в разных предметных областях и может применяться для распознавания именованных сущностей и извлечения информации. Её обучали на английской версии ACTER: на материалах по коррупции и ветроэнергетике, проверяли на текстах об иппотерапии, а оценивали на материалах о сердечной недостаточности. В метаданных указаны архитектура XLM-RoBERTa, 305,2 млн параметров, контекст до 514 токенов и формат PyTorch. Результаты оценки основаны на точном совпадении извлечённых строк с эталонными терминами; качество на других языках и предметных областях из этих сведений не следует. Лицензия — MIT.

Модель разработана collective.ai в рамках проекта AymurAI организации DataGenero. Это распознаватель сущностей для обезличивания юридических документов: он выявляет в тексте персональные данные и другие заданные категории, включая имена людей (PER) и номера DNI. Модель построена на испанских эмбеддингах BETO с архитектурой BiLSTM-CRF и распространяется для использования через Flair. Модель обучена на 535 закрытых судебных решениях уголовного суда Аргентины и рассчитана на испаноязычные юридические документы в местном правовом и культурном контексте. Она предназначена для полуавтоматического обезличивания решений и подготовки данных для анализа судебной практики. Метаданные указывают формат PyTorch и лицензию MIT. Оценки в карточке показывают качество по отдельным меткам, но не гарантируют полноту обезличивания для любого документа. Результаты зависят от качества и единообразия исходных данных; модель может хуже работать за пределами аргентинского контекста. Документы обучающей выборки закрыты.

HMkumbo/blood-donation-gemma4-e4b-dpo-merged-16bit — дообученная модель семейства Gemma 4, разработанная HMkumbo на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. По метаданным модель поддерживает диалоговое взаимодействие и обработку изображений с текстом. Её можно применять для ответов на вопросы по изображениям и текстовым запросам; в карточке нет подробностей о настройке для сценариев донорства крови или о конкретных данных обучения.