I.4Обработка документов и форм

Модель XLM-RoBERTa-large, дообученная проектом LMSpell для исправления орфографических ошибок в текстах на сингальском языке. Она принимает текст с ошибками и предсказывает исправленные варианты, используя контекст. Базовая модель — мультиязычная энкодерная XLM-RoBERTa-large с задачей masked language modeling; модель распространяется в формате safetensors по лицензии CC BY 4.0. Модель предназначена для коррекции сингальского текста. При обработке она сохраняет Unicode Zero Width Joiner с помощью специального токена-замены, который требуется преобразовать обратно после декодирования. Возможны ошибки на неформальных, смешанных по языку текстах и текстах с редкой или узкоспециальной лексикой; модель может менять слова, которые уже написаны правильно. Как энкодерная модель, она не предназначена для авторегрессионной генерации текста.

Azhale0.1 — дообученная модель семейства Gemma 4 от opsirygi, созданная с использованием Unsloth и библиотеки TRL от Hugging Face. Карточка указывает на поддержку изображений и диалогового режима, поэтому модель предназначена для ответов на текстовые запросы с учётом визуального содержимого и для разговорных сценариев. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретные данные и цели дообучения, размер модели или длину контекста, поэтому специализацию и качество для отдельных задач определить нельзя.

bart4csc-base-chinese — модель семейства BART для исправления орфографических ошибок в китайском тексте, опубликованная shibing624. Она обучена на данных SIGHAN и Wang271K и принимает предложение с ошибками, выдавая исправленный вариант. В репозитории указаны 72,8 млн параметров, контекст до 512 токенов и форматы PyTorch и safetensors; модель ориентирована на китайский язык. На тестовом наборе SIGHAN2015 автор сообщает точность на уровне предложения 0,6845 и F1 0,6654. Модель подходит для автоматической коррекции китайского текста и экспериментов с исправлением орфографии. Лицензия — Apache-2.0.

sgarbi/bert-fda-nutrition-ner — модель на архитектуре BERT для распознавания и классификации сущностей в текстах пищевой маркировки и других материалах о питании. Она выделяет пищевые компоненты, включая макронутриенты, витамины, минералы и другие сведения, встречающиеся в составах продуктов и таблицах пищевой ценности. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для отдельных токенов. Размер модели — 136,7 млн параметров; веса представлены в формате safetensors. Модель обучена на общедоступных данных FDA FoodData Central, а также на отзывах о ресторанах Yelp и продуктах Amazon, дополненных автоматической разметкой Mistral 7B. В обучающие данные вносили перестановки предложений и орфографические ошибки, чтобы охватить вариативность реальных текстов. Карточка описывает модель как инструмент для экспериментов и обучения работе с аугментированными данными. Лицензия — MIT. Модель предназначена для извлечения пищевых сущностей из текста, а не для оценки рациона или рекомендаций по питанию. Автоматическая разметка обучающих данных могла содержать галлюцинации и неточную классификацию; кроме того, модель может наследовать смещения формулировок пищевых этикеток.

Portuguese Clinical NER - Pharmacologic — модель распознавания фармакологических сущностей в клиническом тексте на португальском языке. Она входит в проект BioBERTpt: модели семейства обучались на бразильском клиническом корпусе SemClinBr в течение 10 эпох с разметкой IOB2; базовой моделью указана BioBERTpt(all). Архитектура — BERT для классификации токенов, размер — 205,1 млн параметров, длина контекста — 512 токенов. Модель предназначена для извлечения упоминаний фармакологических сущностей из клинических документов на бразильском португальском языке. Она может использоваться в медицинском анализе текста и при структурировании клинической информации. Карточка не уточняет полный перечень распознаваемых типов фармакологических сущностей и оценку качества. Лицензия в предоставленных данных не указана.

DropLychee-1.0-sol — дообученная модель разработчика MD-Mushfiqur123 на базе мультимодальной Qwen3.5-4B от Unsloth. Она предназначена для диалоговых сценариев с пониманием изображений и генерацией текстовых ответов. Модель использует плотную архитектуру Qwen3.5 и распространяется в формате safetensors; карточка указывает английский язык и возможность взаимодействия с инструментами. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия Apache-2.0 разрешает её использование на соответствующих условиях этой лицензии. README не сообщает специальных ограничений применения или результатов оценки качества.

HyperCLOVA X U-CURATE Random Merged v0.1 — корейская текстовая модель на 1,6 млрд параметров, разработанная для оценки в K-DS Hackathon и на K-AI Leaderboard. Это полная слитая модель на архитектуре LlamaForCausalLM, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Text-Instruct-1.5B: к базовой модели применён и объединён случайный QLoRA-адаптер U-CURATE. Веса доступны в формате sharded safetensors и BF16; модель можно запускать через Transformers или vLLM без отдельного базового чекпойнта или PEFT-адаптера. Контекст составляет до 131 072 токенов по метаданным. Модель предназначена для генерации корейского текста, диалогов и ответов на вопросы по техническим и административным документам. Дообучение проведено на 400 примерах из двух наборов AI Hub; README описывает результат как предварительный ориентир, а не как подтверждение официального рейтинга или превосходства. Проверка ограничена одним seed и 200 примерами holdout, поэтому модель не гарантирует качество на общих корейских задачах или в официальной оценке K-AI. Возможны фактические и арифметические ошибки, предвзятость и галлюцинации; для решений с высокими рисками нужна проверка человеком. Лицензия — HyperCLOVA X SEED Model License Agreement, обозначенная в метаданных как other; перед использованием следует учитывать её условия по распространению, коммерческому использованию, атрибуции и запрещённым сценариям.

klusai/kp-deid-xlmr-560m-legal — модель XLM-RoBERTa-large с 658,7 млн параметров, дообученная с помощью LoRA и объединённым адаптером для классификации токенов с персональными данными в юридических текстах. Она предназначена для выявления идентификаторов, чтобы затем удалить или заменить их и снизить риск повторной идентификации людей. Карточка описывает 18 типов сущностей, согласованных с GDPR, включая имена, адреса, номера дел, контактные данные и медицинские сведения. Модель рассчитана прежде всего на англоязычные юридические документы. На внешнем наборе TAB с решениями ЕСПЧ, согласно карточке, она оставляла незамаскированными 9,5% прямых идентификаторов; при этом строгая оценка F1 для точных границ и типов сущностей составляет около 0,34. Это экспериментальный исследовательский чекпойнт: заявленные результаты относятся к одной области и одному бенчмарку, а применение за пределами англоязычных юридических текстов не валидировано. Контекст составляет 514 токенов. Модель распространяется по лицензии Apache-2.0.

Muse-Glimmer-30B-4bit — мультимодальная модель для обработки изображений и текста, преобразованная сообще­ством mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B. Она предназначена для сценариев image-text-to-text, в частности для ответов на вопросы об изображениях и их описания по текстовому запросу. Модель имеет размер 30B параметров и использует 4-битное квантование, что снижает требования к памяти по сравнению с полноразмерным вариантом. Конкретные архитектура, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Модель рассчитана на использование через библиотеку mlx-vlm; сведения о возможных ограничениях производительности и качества отсутствуют. Лицензия — Apache-2.0.

GWK/NoFo-codellama-13b-v0.1 — дообученная модель семейства Llama на основе CodeLlama-13B-Instruct, разработанная для проекта Nordiske Folk (NoFo). Она извлекает биографические сведения об исторических деятелях и оформляет их на датском языке в CSV-структуре Fichoz для базы данных NoFo. Модель обучена на 400 коротких биографиях на разных языках; её размер составляет 12,9 млрд параметров, контекст — до 16 384 токенов. Доступны веса PyTorch, лицензия — Llama 2. Карточка не уточняет состав извлекаемых полей и точность результата.

Helsinki-NLP/opus-mt-af-en — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с африкаанс на английский и предназначена для перевода отдельных фраз и текстов, включая сценарии на основе корпуса OPUS. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; размер составляет 54,6 млн параметров, контекст — до 512 токенов. Доступны веса PyTorch и TensorFlow. В тесте Tatoeba.af.en указаны BLEU 60,8 и chr-F 0,736. Модель специализирована на одной языковой паре, поэтому не предназначена для перевода с других языков или на другие языки. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-hy-ru — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с армянского на русский и построена на архитектуре Transformer-align в реализации MarianMT. Модель поддерживает исходный текст на армянском в письменностях hye и hye_Latn; для токенизации используется SentencePiece с нормализацией. В метаданных указаны 29,1 млн параметров и контекст до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с армянского языка на русский. В карточке приведён результат BLEU 25,6 и chr-F 0,476 на наборе Tatoeba-test.hye.rus. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

google/paligemma-3b-ft-vqav2-448 — мультимодальная модель Google для ответов на вопросы по изображениям, дообученная на VQAv2. Она построена на архитектуре PaliGemma, сочетающей визуальный энкодер SigLIP и языковую модель Gemma; принимает изображение и текстовый запрос и генерирует текст. Вариант с разрешением 448 предназначен для визуальных задач, а карточка относит его к image-text-to-text и указывает формат safetensors. Модель подходит для визуальных вопросов и ответов, а семейство PaliGemma также может дообучаться для описания изображений, чтения текста на изображениях, обнаружения и сегментации объектов. Это одношаговая модель, рассчитанная на конкретные задачи, а не на многоходовой диалог; для этого варианта уместно использовать вопросы по изображениям VQAv2. В README заявлена поддержка нескольких языков, но основные языки этого чекпойнта не уточнены. Модель может ошибаться в фактических ответах, сложных рассуждениях и интерпретации нюансов; возможны смещения, унаследованные от обучающих данных. Лицензия — Gemma; применяются условия и ограничения использования моделей Gemma.

UniAR-SFT — контрольная точка модели UniAR, разработанной авторами работы «UniAR: Unified Multimodal Autoregressive Modeling with Shared Context—Visual Tokenizer is Key to Unification» для понимания изображений, генерации изображений и их редактирования в едином авторегрессионном Transformer. Это версия после supervised fine-tuning и до этапа RL, предназначенная также как отправная точка для собственного обучения с подкреплением. Модель объединяет языковую основу Qwen3-8B и визуальный токенизатор BSQ на базе SigLIP2-So400M ViT с DeepStack-связями; для декодирования изображений используется SD3.5-Medium DiT с внедрением признаков SigLIP. Общие дискретные визуальные токены позволяют модели интерпретировать изображения и работать с визуальными токенами, которые она сама генерирует. Карточка содержит компоненты для понимания и генерации изображений. Репозиторий распространяется по лицензии Apache-2.0. Метаданные Hugging Face указывают задачу image-to-text; другие заявленные в README возможности не представлены отдельными pipeline-тегами.

Mdkaif2782/banglish-to-bangla — модель преобразования текста, разработанная на основе facebook/mbart-large-50 и дообученная для перевода банглиш-текста, записанного латиницей, в бенгальскую письменность. Она подходит для преобразования отдельных фраз и пользовательского ввода; для работы используется библиотека PyTorch и токенизатор MBart50. Модель построена на архитектуре mBART с условной генерацией текста, содержит 457,4 млн параметров и имеет контекст до 1024 токенов. В карточке указаны языковые коды бенгальского и английского; целевой результат — текст на бенгальском. Репозиторий предлагает запуск через Transformers, в том числе в Google Colab. Лицензия в предоставленных данных не указана.

dbmdz/bert-base-historic-multilingual-64k-td-cased — многоязычная модель семейства BERT, опубликованная командой dbmdz для работы с историческими текстами. Она предобучена на корпусах Europeana и British Library, включающих OCR-тексты на немецком, французском, английском, финском и шведском языках; размер итогового обучающего корпуса составляет 130 ГБ. Вариант использует словарь из 64 тысяч подслов и сохраняет регистр символов. Модель подходит для предсказания замаскированных токенов и может служить основой для дообучения на распознавание именованных сущностей в исторических документах. Это BERT с архитектурой BertForMaskedLM и 162,4 млн параметров; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — MIT.

JanusFlow-1.3B — мультимодальная модель DeepSeek для понимания изображений и генерации изображений в единой системе. Она объединяет авторегрессионную языковую модель с rectified flow; визуальные кодировщики для понимания и генерации разделены. Модель построена на DeepSeek-LLM-1.3B-Base, использует SigLIP-L для анализа изображений размером 384 × 384 и SDXL-VAE для генерации изображений того же разрешения. В карточке указан контрольный чекпойнт EMA после предварительного обучения и supervised fine-tuning. Модель предназначена для диалога о содержимом изображений и создания изображений по текстовым запросам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В метаданных основная задача обозначена как any-to-any. Карточка не сообщает о поддержке конкретных естественных языков.

LLaVA-v1.6-Vicuna-13B — мультимодальный чат-бот, разработанный командой LLaVA и полученный дообучением языковой модели Vicuna-13B на инструкциях с изображениями. Это авторегрессионная трансформерная модель семейства LLaVA с плотной архитектурой и 12,9 млрд параметров; базовая языковая модель — lmsys/vicuna-13b-v1.5. Репозиторий содержит веса в формате safetensors, а контекст модели составляет 4096 токенов. Модель принимает изображения и текстовые инструкции, а отвечает текстом. Она предназначена для диалоговых сценариев с визуальными данными: ответов на вопросы об изображениях, описания их содержимого и выполнения академических задач визуально-языкового понимания. При обучении использовались пары изображение–текст, мультимодальные инструкции, данные VQA и диалоги ShareGPT. Основные пользователи — исследователи и энтузиасты компьютерного зрения, обработки естественного языка и машинного обучения. Возможности и качество ответов могут зависеть от изображения и формулировки запроса; модель не гарантирует точность фактических выводов. Лицензия в предоставленных данных не указана.

KETI-AIR-Downstream/long-ke-t5-base-summarization — модель суммаризации, полученная дообучением KETI-AIR/long-ke-t5-base на наборе jsonl_dataset_sum.py. Она использует архитектуру LongT5 для преобразования текста в текст и рассчитана на обработку длинных входных текстов с контекстом до 4096 токенов. В метаданных указан корейский язык; модель подойдёт для создания кратких изложений на корейском языке. На оценочном наборе указаны значения ROUGE-1 21,72, ROUGE-2 10,14, ROUGE-L 21,15 и длина генерации около 87 токенов. Модель содержит 148,3 млн параметров и доступна в форматах PyTorch и Safetensors. Лицензия — Artistic-2.0. Карточка не описывает дополнительные сценарии и ограничения качества.

Macaw — компактная диалоговая модель badtheorylabs для локального управления задачами на macOS. Она дообучена на LiquidAI/LFM2.5-2.6B и использует архитектуру LFM2 с плотной причинно-языковой моделью. Репозиторий содержит сборку BF16 для дообучения или запуска на GPU; приложение использует отдельную 4-битную сборку MLX. Метаданные указывают 2,6 млрд параметров и контекст до 128 000 токенов. Модель предназначена для понимания запросов на естественном языке, вызова инструментов и последовательного выполнения действий в приложениях и файловой системе Mac: например, работы с почтой, календарём и файлами, чтения PDF и проверки сведений о системе. По карточке, Macaw может самостоятельно связывать несколько шагов и проверять результат каждого действия. Указаны поддержка английского языка и запуск на устройстве; заявленные авторами результаты тестирования относятся к их собственной проверке на Apple M2. Лицензия обозначена как other, поэтому точные условия использования следует проверять в карточке репозитория. Работа модели сама по себе не предоставляет macOS-доступ к инструментам: для действий приложению нужны соответствующие инструменты и разрешения. Заявления о точности и скорости основаны на ограниченном тестовом наборе автора и не гарантируют тех же результатов в других условиях.

Это дообученная Khadija69 модель Microsoft/mdeberta-v3-base для классификации токенов. Она предназначена для присвоения меток отдельным токенам; название репозитория указывает на схему разметки BIES и данные stem_1K, однако описание набора данных и точного назначения меток в карточке отсутствует. Модель содержит 306 млн параметров, использует архитектуру DeBERTa V2 и формат TensorFlow, а её контекст ограничен 512 токенами. Метаданные указывают лицензию MIT. В README приведены результаты на оценочном наборе после пяти эпох: точность обучения 0,434 и валидации 0,3815; назначение, языки и ограничения модели подробно не описаны. Эти показатели следует учитывать при оценке пригодности для практического применения.

Ornith-1.0-35B-TQ3_4S — компактная сборка модели deepreinforce-ai/Ornith-1.0-35B в формате GGUF с квантованием TurboQuant TQ3_4S. По README, исходная модель построена на мультимодальной архитектуре Qwen-VL и принимает изображения вместе с текстом; для обработки изображений требуется отдельный проектор mmproj в формате F16. Сборка предназначена для запуска через специальную версию llama.cpp с поддержкой TQ3_4S; в README приведена проверка на NVIDIA GeForce RTX 3090 с 24 ГБ видеопамяти. Модель подходит для диалога по изображениям и ответов на вопросы о визуальном содержимом. Карточка содержит локальные результаты сравнительных тестов, но они не являются результатами родительского репозитория. Модельный репозиторий распространяется по лицензии Apache-2.0.

QVQ-72B-Preview-4bit — конвертированная в формат MLX версия Qwen/QVQ-72B-Preview, подготовленная сообществом mlx-community с помощью mlx-vlm 0.1.6. Она предназначена для диалогового анализа изображений и ответов на вопросы по их содержимому. Репозиторий указывает 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов; поддерживается работа с изображениями и текстом. Модель основана на Qwen/Qwen2-VL-72B и связана с ней как дообученная модель. В карточке Hugging Face указана лицензия other, поэтому перед использованием следует проверить условия исходной модели. README описывает преобразование в MLX, но сведения о конкретном наборе данных или подробной оценке качества не приводит.

ShareGPT4V-7B — открытая мультимодальная чат-модель, разработанная командой ShareGPT4V и предназначенная для диалога по изображениям и тексту. Модель обучена дообучением визуального энкодера CLIP и LLaMA/Vicuna на данных ShareGPT4V с описаниями, созданными с помощью GPT-4 Vision, и на инструкционных данных LLaVA. Модель содержит 6,6 млрд параметров, использует архитектуру Share4VLlamaForCausalLM и принимает изображения вместе с текстовыми запросами, формируя текстовые ответы. Контекст составляет 4096 токенов. Обучение включало 1,2 млн пар изображение–текст, 100 тыс. пар, созданных GPT-4 Vision, и данные LLaVA; модель предназначена прежде всего для исследований мультимодальных моделей и чат-ботов, а также для экспериментов с визуальными вопросами и описанием изображений. Ограничения включают унаследованные ошибки и предвзятости базовых моделей и обучающих данных, а также возможные неточности в распознавании содержимого изображений. Лицензия в предоставленных материалах не указана.

VipLLaVA 7B — мультимодальная чат-модель, представленная в репозитории llava-hf и выпущенная в декабре 2023 года. Это авторегрессионная модель на основе архитектуры Transformer, объединяющая обработку изображений с генерацией текста; семейство архитектуры — VipLLaVA, размер — 7 млрд параметров. Модель дообучена на основе LLaVA: в протоколе Vip-LLaVA изображения размечаются, чтобы модель училась реагировать на естественные визуальные подсказки, например красные рамки и стрелки. Модель предназначена для диалога по одному или нескольким изображениям и мультимодального следования инструкциям. Она может отвечать на вопросы об изображениях и интерпретировать указанные на них области или объекты. README описывает поддержку нескольких изображений и запросов в одном вводе. Метаданные указывают английский язык карточки; контекстное окно не указано в предоставленных источниках. Для использования предлагается библиотека Transformers версии 4.35.3 или новее; описаны запуск на GPU, 4-битная квантизация через bitsandbytes и ускорение с Flash Attention 2. В README не приведены отдельные результаты оценки качества или сведения о лицензии, поэтому условия лицензирования по этим материалам установить нельзя.

AnandaSky — модель «зрение—язык» для построчной транскрипции исторических синосферных документов; она описана в научной статье об этой задаче. Архитектура сочетает визуальный энкодер Vision Transformer и авторегрессионный декодер на основе Qwen3. В README указано около 626 млн параметров, а в метаданных Hugging Face — 197,5 млн; поэтому точный размер модели по доступным сведениям неоднозначен. Модель предназначена для распознавания строк на изображениях исторических документов из Китая и Кореи, созданных с VIII по XX век, включая печатные издания и рукописи. Она обрабатывает вертикальный текст в одно- и двухколоночной раскладке; заявленные результаты включают низкую частоту ошибок символов на нескольких профильных тестовых наборах. Основной язык — китайский, включая классический китайский. Для запуска требуются Python 3.10 или новее, PyTorch 2.1 или новее, GPU NVIDIA поколения Ampere или новее и FlashAttention; для загрузки пользовательского кода Transformers требуется параметр trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Это дообученная модель RoBERTa, разработанная командой NLP4BIA Барселонского суперкомпьютерного центра (BSC) на корпусе DrugTEMIST — испанском золотом стандарте для распознавания лекарственных средств. Модель предназначена для извлечения упоминаний препаратов из испанских клинических текстов и электронных медицинских записей с помощью классификации токенов. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метки токенов. Контекст составляет 514 токенов. При подготовке входа рекомендуется предварительно разбивать текст на слова, как это делалось при обучении: другой способ токенизации может снизить качество результатов. В карточке не приведены оценки качества и исследования смещений; разработчики предупреждают о возможных смещениях в данных. Модель распространяется по лицензии CC BY 4.0. Её результаты не заменяют клиническую проверку, а при использовании необходимо учитывать применимые требования и регулирование.

Eikos-27B — модель типизированного принятия решений, разработанная автором репозитория caiovicentino1 и дообученная на базе Qwen/Qwen3.8-27B. Она оценивает заданное состояние по критерию и выбирает ответ из ограниченного набора вариантов за один проход: да/нет, один из вариантов или порядковый балл. Вместе с ответом выдаёт распределение вероятностей и оценку уверенности, что позволяет приложению воздержаться от решения ниже заданного порога. Модель предназначена прежде всего для применения правил и политик в финансах, трейдинге и торговом финансировании: проверки лимитов ордеров и платежей, маржи, KYC/AML, кредитных политик и документарных аккредитивов. Также заявлены финансовый сентимент, сверка ответов с финансовыми таблицами и числовые или временные проверки. Модель не прогнозирует цены. Архитектура — плотная Qwen3.5, 27 млрд параметров; доступен текстовый интерфейс решений, а изображения может обрабатывать через визуальный энкодер базовой модели в режиме сервинга v1.3. Обучалась на английском и португальском; испанский использовался как тестовый язык без обучения. В README описано обучение на досье до 12 тыс. токенов; точный предел сервинга зависит от конфигурации. Сильная сторона модели — выдача вероятностей по заданным вариантам в одном проходе, в том числе для большого числа вариантов. Ограничения: она не выполняет многошаговые рассуждения, слаба в длинных цепочках арифметики и уступает крупным моделям в задачах на обширные общие знания; качество снижается за пределами обученного диапазона контекста. Модель не является юридической, налоговой или инвестиционной консультацией и не учитывает актуальное законодательство конкретной юрисдикции. Лицензия — MIT.

Gemma4-31B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary» на основе google/gemma-4-31B-it. В ней применяется метод Causal Visual Recurrent Reasoning (CVRR): модель многократно уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем использует это состояние для генерации ответа. Рекуррентный переход адаптирован с помощью LoRA и объединён с весами модели. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ и поддерживает визуальное рассуждение. В репозитории находятся веса backbone и объединённого рекуррентного перехода, а также специальный код для запуска через Transformers 5.10.4. Для каждого экземпляра модели требуется отдельная GPU; автоматическое распределение модели по GPU, загрузка через vLLM/SGLang и обычная повторная сериализация через save_pretrained() не поддерживаются. Лицензия — Apache-2.0. README предупреждает, что исторические оценки с параметром beta=0.33 не подтверждены для этой версии пакета.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в клинических текстах на итальянском языке. Это дообученная для токенной классификации BERT-модель dbmdz/bert-base-italian-xxl-cased размером 137,9 млн параметров; она размечает токены по схеме BIO метками O, B-PROCEDURE и I-PROCEDURE. Контекст модели составляет 512 токенов. Модель предназначена для извлечения названий процедур из клинических записей и электронных медицинских карт. На тестовом наборе MultiClinNER для итальянских документов strict F1 составил 0,6545, а символьный F1 — 0,7927. Для соответствия обучению важна предварительная токенизация слов и знаков пунктуации и последующее выравнивание смещений; токенизация обычного сырого текста может менять границы распознанных сущностей. В карточке указана лицензия CC BY 4.0. Авторы отмечают, что систематическая оценка смещений не проводилась; модель предназначена для поддержки извлечения сущностей и требует проверки результатов в целевом клиническом сценарии.