I.4Обработка документов и форм

nep-spell-mt5-small-00 — дообученная модель Google mT5-small с 157,4 млн параметров, опубликованная под лицензией Apache-2.0. Архитектура MT5ForConditionalGeneration предназначена для преобразования текста в текст. По названию модель, вероятно, предназначена для исправления орфографии непальского языка. Однако карточка не описывает её назначение, обучающие данные или результаты оценки, поэтому это применение нельзя подтвердить. Репозиторий содержит веса в формате safetensors.

paola-md/recipe-roberta-upper-Is — дообученная модель на основе roberta-base для предсказания замаскированных токенов в тексте. Она подходит для восстановления пропусков и подсказок при вводе текста. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. В README приведён результат оценки Loss 0,7757, однако набор данных и область применения не описаны. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Модель Daniil-Domino/trocr-base-ru-dialectic — дообученная версия TrOCR для распознавания рукописных русских диалектологических текстов на карточках. Она построена на архитектуре VisionEncoderDecoderModel и предназначена для преобразования изображений рукописей в текст, в том числе записей со специальными знаками вроде ударений и апострофов. Модель обучали на почти 2456 изображениях диалектологических текстов, собранных в ходе экспедиций по деревням Архангельской области. По данным карточки, обучение длилось 10 эпох; на валидационной выборке CER составил 6,81%, WER — 27,20%, точность — 73,74%. Репозиторий содержит веса в формате safetensors. Модель подходит для оцифровки и последующей обработки рукописных карточек с диалектными записями. Её результаты могут требовать ручной проверки, особенно в случаях редкой лексики, специальных символов и почерков, отличающихся от обучающих данных. Лицензия — Apache-2.0.

plncmm/beto-clinical-wl-es — испаноязычная модель на основе BERT, дообученная на наборе данных чилийского листа ожидания. Она предназначена для предсказания скрытых слов в клинических текстах на испанском языке. Модель содержит 137,1 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

distilroberta-rb156k-opt15-ep40 — языковая модель на архитектуре RoBERTa с 95,2 млн параметров, обученная с нуля на неизвестном наборе данных. Она предназначена для заполнения пропусков в тексте: модель предсказывает вероятные токены вместо маскированных фрагментов. Контекст составляет 514 токенов. В карточке приведено значение loss 1,2088 на оценочном наборе, но описание модели, данные обучения и сценарии применения не раскрыты. Модель опубликована в формате safetensors; лицензия не указана в доступных данных.

j5ng/et5-typos-corrector — модель для исправления орфографических ошибок в разговорном корейском языке. Автор дообучил ETRI-et5 на парах предложений из корпуса «모두의 말뭉치» с данными для исправления правописания; после предобработки использовано 318 882 пары. Модель построена на архитектуре T5 и содержит 133,7 млн параметров. Модель принимает текст и генерирует исправленный текст. Она предназначена для коррекции разговорных корейских фраз; в предобработке удалялись запятые, точки, пустые и очень короткие строки, а также слова с тегами имён. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Возможности за пределами коррекции разговорного корейского README не подтверждает.

JochenLinnemann/gemma-4-26B-A4B-it-noloop-GGUF — экспериментальная GGUF-конверсия модели edgerunner-ai/gemma-4-26B-A4B-it-noloop, являющейся производным вариантом Gemma 4 26B-A4B от Google DeepMind с изменёнными весами. Репозиторий предназначен для использования с llama.cpp и содержит квантизированные варианты модели. Модель относится к мультимодальному классу image-text-to-text и рассчитана на обработку изображений и текста с генерацией текстовых ответов. Точные сведения об архитектуре, размере контекста, поддерживаемых языках и конкретных вариантах квантизации в README не указаны. Заявленная особенность upstream-версии — попытка уменьшить циклические повторения при фактическом перечислении. Конверсия является экспериментальной: в предварительном тестировании для общих агентских задач наблюдалась сильная деградация качества и зацикливание. Поэтому модель следует использовать с осторожностью и проверять результаты на целевых сценариях. Распространение регулируется лицензией Apache-2.0, однако README рекомендует дополнительно изучить карточку upstream-модели и условия лицензии Gemma перед коммерческим использованием или перераспространением.

WesScivetti/GPT-BERT_NtoN_3Zipf_Seed1 — экспериментальный чекпойнт GPT-BERT, обученный в рамках экспериментов с корпусом NPN, отфильтрованным по Zipf. Модель предназначена прежде всего для заполнения пропусков в тексте: она принимает текст с маскированным фрагментом и предсказывает подходящие токены. В метаданных также указана возможность генерации текста. Модель имеет плотную архитектуру GPTBERTForMaskedLM, содержит 111,7 млн параметров и рассчитана на контекст до 512 токенов. Репозиторий включает код архитектуры для Transformers и загружается с параметром trust_remote_code=True. Доступны веса PyTorch. Карточка не сообщает о поддерживаемых естественных языках. Лицензия в предоставленных данных не указана.

jinen-v1-xsmall — японская языковая модель на архитектуре GPT-2, разработанная togatogah для преобразования записи каны в кандзи. Модель содержит 36 млн параметров, использует BPE-токенизатор и обучена на предварительно обработанных данных Miwa-Keita/zenz-v2.5-dataset. Модель выполняет контекстно-зависимое преобразование: принимает ввод каны и может учитывать левый контекст. Для работы используется формат jinen со специальными Unicode-маркерами начала контекста, входа и результата. Максимальная длина контекста — 1024 токена. В оценке AJIMEE-Bench версия xsmall показала Acc@1 0,720 при NFKC-нормализации и CER 0,033. Репозиторий содержит веса safetensors; автор также указывает варианты GGUF, включая FP16 и Q5_K_M. Модель предназначена для японского языка. Лицензия — CC-BY-SA 4.0.

MLMA_biogpt_tuned_1412 — дообученная на неизвестном наборе данных англоязычная модель Microsoft BioGPT для классификации токенов. Она предназначена для присвоения меток отдельным токенам текста; архитектура — GPT2ForTokenClassification, формат весов — safetensors, лицензия — MIT. Контекст модели составляет 1024 токена. В README приведены результаты на оценочном наборе: F1 0,5222, точность 0,4828, полнота 0,5685 и accuracy 0,9542. Область применения и состав меток не описаны, поэтому эти показатели не позволяют определить, для каких именно сущностей или разметки модель подходит. Базовая BioGPT разработана Microsoft и ориентирована на биомедицинскую литературу; переносить это назначение на конкретную задачу дообученной модели без сведений о данных нельзя.

TrOCR Kurrent — модель распознавания рукописного текста XIX века на немецком языке, разработанная Jonas Widmer и Tobias Hodel совместно с исследователями и учреждениями в рамках Digital Humanities@University of Bern. Это дообученная модель Microsoft TrOCR base handwritten на датасете Kurrent, собранном из архивных документов, лекционных записей, дневников и других исторических коллекций. Модель построена на архитектуре VisionEncoderDecoderModel и принимает изображение одной обрезанной строки, возвращая её текстовую транскрипцию. Для обработки страницы её сначала нужно разделить на строки с помощью инструмента сегментации. В README указаны 292 997 обучающих строк; символьная ошибка составила 0,02827 на валидационной и 0,02655 на тестовой выборке. Модель ориентирована на исторические немецкие рукописи в стиле Kurrent. Авторы отмечают, что она не прошла широкое тестирование и возможные смещения ещё не выявлены. Лицензия — MIT.

Unicorn-VL-R3 — дообученная командой unicorn-team мультимодальная модель семейства Qwen3-VL на 8 млрд параметров. Она принимает текст и изображения и предназначена для ответов на вопросы и решения учебных задач на вьетнамском языке; в обучении использованы синтетические примеры по 12 типам заданий и отфильтрованные данные Dolci-SFT на вьетнамском языке. Модель основана на Qwen/Qwen3-VL-8B-Thinking и распространяется в формате safetensors для библиотеки Transformers. Команда сообщает о тонкой настройке с полным обновлением весов (FFT), однако в карточке также описаны эксперименты с LoRA. В оценке VMLU указано 74,87 балла для обученного варианта Qwen3-VL-8B, но также отмечено, что итоговой моделью конкурса команда выбрала Qwen3-8B; поэтому эти результаты не следует считать гарантией качества именно Unicorn-VL-R3. README описывает синтетические цепочки рассуждений и отмечает, что базовые Qwen3 могли добавлять китайские токены в ответы. Лицензия и точная длина контекста в предоставленных источниках не приведены.

bert-leg-al-corpus — модель на базе многоязычной RoBERTa, дообученная desarrolloasesoreslocales на наборе данных, обозначенном в карточке как None. Она предназначена для предсказания пропущенных токенов в тексте: по контексту модель подбирает вероятные слова или части слов на месте маски. Архитектура — RobertaForMaskedLM, размер — 211,6 млн параметров, максимальная длина контекста — 514 токенов. Базовая модель была предварительно обучена на юридических текстах. Карточка приводит значение loss 1,7948 на оценочном наборе, но не раскрывает его состав, языки и подробности обучения, поэтому результат нельзя интерпретировать как оценку качества для конкретного применения. Модель распространяется под лицензией CC; конкретные условия следует сверять с карточкой лицензии на Hugging Face.

ClinicalBERT — медицинская языковая модель, разработанная MedicalAI и дообученная на крупном корпусе электронных медицинских записей. В карточке указаны данные более чем о 3 миллионах пациентов и предобучающий корпус объёмом 1,2 млрд слов по различным заболеваниям. Модель основана на DistilBERT и предназначена для работы с медицинским текстом. Метаданные Hugging Face указывают задачу заполнения пропусков в тексте (fill-mask) и контекст длиной до 512 токенов. Это позволяет, например, подбирать скрытые слова в клинических формулировках. Репозиторий содержит веса PyTorch. Медицинская специализация и обучение на электронных медицинских записях подходят для анализа клинических текстов, однако карточка не приводит результатов оценки качества или сведений о поддерживаемых языках. Лицензия в предоставленных данных не указана.

duraad/nep-spell-mbart — модель семейства mBART с архитектурой MBartForConditionalGeneration и примерно 457,4 млн параметров. Репозиторий описывает её как дообученную версию самой себя; сведения о датасете, целях обучения и оценке отсутствуют. По названию модель предназначена для исправления орфографии на непальском языке, однако README не подтверждает эту задачу. Она принимает и генерирует текст; максимальный контекст — 1024 токена. Файлы представлены в формате Safetensors. Условия лицензии в предоставленных данных не приведены.

DanSarm/receipt-core-model — дообученная текстовая модель семейства T5 для генерации текста по текстовому запросу. В репозитории указаны 123,8 млн параметров, контекст до 512 токенов и формат safetensors; модель использует архитектуру T5ForConditionalGeneration и библиотеку Transformers. Карточка связывает модель с обработкой чеков, однако не описывает её назначение, обучающие данные или конкретные сценарии. Поэтому практические задачи и качество нельзя определить по доступным сведениям. Лицензия — Apache-2.0.

TrOCR Kurrent XVI–XVIII — модель распознавания рукописного текста, разработанная Jonas Widmer, Anna Funk, Christa Schneider и Tobias Hodel в рамках Digital Humanities@University of Bern. Она предназначена для чтения немецкого куррентного письма XVI–XVIII веков по изображениям отдельных строк. Архитектура — VisionEncoderDecoderModel; модель основана на dh-unibe/trocr-kurrent и обучена на корпусе примерно из 1 579 200 слов. Для тестовой выборки указана CER 0,05416, для оценочной — 0,05673. Модель принимает обрезку одной рукописной строки за вызов, а не изображение целой страницы. Для обработки страницы её сначала нужно сегментировать на строки; среди упомянутых средств сегментации — kraken, eScriptorium и Transkribus. Данные обучения смещены в сторону швейцарских документов, поэтому точность на других корпусах и почерках может отличаться. Авторы отмечают, что модель требует дальнейшего тестирования и может быть полезна для дообучения. Лицензия — MIT.

zenz-v2.5-small — Кейта Мива дообучил на японском наборе данных Zenz-v2.5 небольшую языковую модель GPT-2 для преобразования каны в кандзи. Она предназначена для использования в нейронной системе ввода Zenzai и учитывает контекст при выборе вариантов записи. Модель содержит 91 млн параметров, использует токенизатор с разбиением на символы и байтовый BPE и принимает контекст длиной до 1024 токенов. Модель рассчитана на японский язык и задачу генерации текста при преобразовании каны в кандзи. Веса опубликованы в формате safetensors. Лицензия CC-BY-SA 4.0 требует соблюдать условия атрибуции и распространения производных материалов на тех же условиях.

mustaphaidris/hausa-agri-ner — модель распознавания именованных сущностей в текстах на хауса о животноводстве. Её разработчик дообучил Davlan/afro-xlmr-base: это XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 305,2 млн параметров. Модель размечает токены BIO-тегами для десяти типов сущностей, включая виды животных, породы, болезни, симптомы, лекарства и корма. Контекст составляет 514 токенов. Модель предназначена для извлечения структурированной информации из хауса-текстов о скоте, а также для помощи при аннотировании и исследовательской работы. Карточка сообщает тестовый entity F1 97,54% для описанного дообученного кандидата, но результаты основаны на предоставленных логах и независимо не воспроизводились. В карточке также указано, что нужно проверить соответствие загруженных весов этому кандидату. Показатели могут не отражать качество на новых данных: тестовая выборка сильно пересекается с обучающей по сущностям, а некоторые категории представлены малым числом примеров. Качество на независимо собранных фермерских текстах, диалектах, незнакомых названиях, вариантах написания и длинных документах не проверено. Модель не ставит диагнозы и не рекомендует лечение; извлечённые сущности требуют проверки человеком. Лицензия этого дообученного выпуска в карточке не определена; перед использованием следует проверить условия базовой модели и датасета.

houdini001/nep-spell-mbart-epoch3 — дообученная версия houdini001/nep-spell-mbart-epoch2 на датасете, обозначенном в карточке как None. Это модель семейства mBART с архитектурой MBartForConditionalGeneration и 457,4 млн параметров; веса сохранены в формате safetensors. По метаданным модель предназначена для генерации текста по текстовому входу, а контекст составляет до 1024 токенов. Название репозитория указывает на задачу исправления орфографии для непальского языка, однако README не содержит описания назначения, обучающих данных или оценки качества, поэтому это назначение следует считать предположительным. Лицензия в предоставленных данных не указана; условия использования по ним установить нельзя.

ClinicalDistilBERT — языковая модель для клинических текстов, созданная дообучением BioDistilBERT-cased в режиме continual learning на клинических заметках MIMIC-III в течение трёх эпох. Она предназначена для предсказания замаскированных токенов и подстановки пропусков в медицинских текстах. Модель основана на DistilBERT: 6 слоёв трансформера, размер скрытого представления и эмбеддингов 768, словарь из 28 996 токенов и около 65 млн параметров; контекст — до 512 токенов. Доступна в формате PyTorch по лицензии MIT. Обучение на заметках MIMIC-III может ограничивать переносимость на другие клинические источники и стили документации.

Vision-OPD-Qwen3.5-4B-RandomDrop5-Step30 — экспериментальный контрольный чекпойнт на базе Qwen/Qwen3.5-4B, обученный методом Vision-OPD. При обучении ученик использовал случайно сохраняемые 5% визуальных токенов, а учитель — полный набор визуальных токенов; для обучения указан набор Vision-OPD-6K. Это ранний proof-of-concept после 30 шагов, предназначенный для проверки подхода к сокращению визуальных токенов при обработке изображений. Модель принимает изображения и текст и генерирует текстовые ответы в диалоге. Чекпойнт работает с полным набором визуальных токенов через стандартный Transformers; для инференса с сохранением 5% токенов требуется код обслуживания с поддержкой pruning из prune-opd. Доступны веса в формате safetensors. Сведения о лицензии и контекстном окне в предоставленных источниках отсутствуют.

SandriBarros/clinical_longformer_same_tokens_cienmil — дообученная модель Longformer для задачи заполнения масок в тексте. Она основана на allenai/longformer-base-4096, содержит 151,8 млн параметров и поддерживает контекст до 4098 токенов. В карточке указана оценка Loss 2,0099 на тестовом наборе, но сам набор и условия оценки не описаны. Модель принимает текст с замаскированными фрагментами и предсказывает подходящие токены. Архитектура Longformer рассчитана на работу с длинными последовательностями; название указывает на клиническую направленность, однако README не подтверждает специализированные медицинские возможности или языки обучения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

legal-italian-roberta-base — языковая модель семейства RoBERTa, разработанная joelniklaus и обученная с нуля. Она предназначена для заполнения пропусков в тексте: модель предсказывает подходящие слова на месте маски, что позволяет анализировать контекст и предлагать варианты продолжения фразы. Модель содержит 137,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Название указывает на специализацию на итальянских юридических текстах, однако README не содержит сведений об обучающем корпусе или результатах оценки в конкретных задачах права; приведено только значение loss 0,4799 на наборе оценки. Доступен формат PyTorch. Карточка не содержит сведений о лицензии и подробных ограничениях применения, поэтому условия использования следует уточнить на странице репозитория Hugging Face. Оценка на одном наборе не гарантирует качество на других юридических или общих итальянских текстах.

houdini001/nep-spell-mbart-epoch1 — дообученная модель на базе duraad/nep-spell-mbart, созданная с помощью архитектуры mBART и предназначенная для генерации текста по текстовому вводу. В карточке указано дообучение на датасете, обозначенном как None, поэтому конкретное назначение и обучающие данные определить нельзя. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и сохранена в формате safetensors. README не приводит сведений об авторе обучения, языках, оценке качества или условиях применения; по названию базовой модели можно предположить задачу исправления орфографии непальского текста, но это не подтверждено описанием.

duraad/nep-spell-mt5-small-01 — дообученная модель семейства mT5 с архитектурой MT5ForConditionalGeneration и примерно 157,4 млн параметров. В README указано, что она создана на основе duraad/nep-spell-mt5-small-00, но сведения о датасете, обучении и оценке отсутствуют. Модель предназначена для генерации текста по текстовому запросу. По названию репозитория можно предположить назначение для исправления орфографии непальского языка, однако README не подтверждает эту специализацию, поэтому конкретные сценарии применения и поддерживаемые языки определить нельзя. Модель распространяется по лицензии Apache-2.0.

Anas Belfathi и соавторы создали BERT Legal Genre — модель BERT для заполнения пропусков в юридических текстах. Это версия bert-base-uncased, продолжительно предобученная на корпусе LexFiles с выборочным маскированием: чаще скрывались слова, задающие структуру и стиль юридического дискурса, например ordered, allowed и acquitted. Модель имеет 136,7 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и обучена на материалах Европейского суда по правам человека, судебных дел ЕС и индийских судебных дел. Модель предназначена для восстановления пропущенных слов и изучения языковых закономерностей юридических документов на английском языке. Выборочное маскирование ориентировано на юридические маркеры и жанровые особенности корпуса, но само по себе не подтверждает качество для юридических консультаций, классификации дел или иных задач, отличных от заполнения пропусков. Лицензия — CC BY 4.0.

拉風輸入法（Llavon IME）LLaMA 250M — это компактная авторегрессионная языковая модель с архитектурой LLaMA, разработанная для преобразования ввода Бопомофо в традиционные китайские иероглифы. Модель предназначена для локальной работы в составе метода ввода (IME), в частности в Windows; проект также предоставляет реализации IME для macOS и Linux. Модель содержит 228,7 млн параметров по метаданным Hugging Face, использует контекст длиной 384 токена и специальный словарь с токенами Бопомофо и традиционными китайскими иероглифами. При обработке можно учитывать уже введённый китайский текст, а для выбора результата рекомендуется ограничивать вероятности набором кандидатов для текущего слога. Модель обучалась на китайских веб-текстах, разговорных данных, словарных записях и пользовательских текстах PTT. Весами можно пользоваться только на условиях лицензии CC-BY-NC-4.0, предусматривающей некоммерческое использование. Исходные обучающие наборы имеют неоднородные сведения о лицензировании, поэтому использование самих наборов требует отдельного соблюдения их условий.

Это дообученная модель yuchiahung/donut_f21_v4_ep3_edit_distance_loss, созданная на основе архитектуры VisionEncoderDecoderModel и предназначенная для преобразования изображений в текст. В README указаны результаты оценки: точность по символам 0,1456, точное совпадение — 0, а средняя длина предсказания значительно короче средней длины эталонной строки. Эти показатели свидетельствуют о низком качестве распознавания в приведённой оценке. Датасет и конкретный сценарий применения не описаны. Модель распространяется в формате safetensors по лицензии MIT.

Gemma 4 26B A4B — мультимодальная модель с открытыми весами от Google DeepMind, относящаяся к семейству Gemma 4 и реализованная как модель класса Mixture-of-Experts. Она принимает текст и изображения и генерирует текст; поддерживает понимание изображений, рассуждения, генерацию и исправление кода, суммаризацию и вызов инструментов. Видео и аудио заявлены для семейства Gemma 4, но поддержка аудио указана только для вариантов E2B, E4B и 12B. Модель рассчитана на мультимодальные диалоги, анализ документов и изображений, задачи с длинным контекстом и агентные сценарии. Для вариантов Gemma 4 26B A4B заявлено контекстное окно до 256 тысяч токенов; семейство обучено более чем на 140 языках и имеет поддержку более 35 языков из коробки. Архитектура семейства сочетает локальное скользящее и глобальное внимание. Модель распространяется по лицензии Apache 2.0. Карточка не приводит отдельной оценки ограничений именно этого варианта; мультимодальные возможности видео и аудио нельзя приписывать 26B A4B по приведённым сведениям.