I.4Обработка документов и форм

LFM2.5-VL-3B-GGUF — мультимодальная модель Liquid AI для задач image-text-to-text, то есть анализа изображений и формирования текстовых ответов по ним. Модель предназначена прежде всего для edge AI и локального запуска на пользовательских устройствах, где важны скорость работы и экономное использование памяти. Это GGUF-версия модели LiquidAI/LFM2.5-VL-3B, рассчитанная на использование с llama.cpp. Указан размер 3B параметров и поддержка изображений и текста; точная архитектура, размер контекста и дополнительные технические характеристики в представленном README не раскрыты. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Модель подходит для локального визуального вопросно-ответного взаимодействия и других сценариев, где требуется описывать содержимое изображений или отвечать на вопросы о них. К её сильным сторонам относятся ориентация на скорость, качество и эффективность по памяти, а также совместимость с llama.cpp. Ограничения, точные требования к оборудованию и результаты бенчмарков в README не указаны. Модель распространяется по лицензии lfm1.0; подробные условия доступны в файле LICENSE.

exo-jhop/ministral3-gdpr-lora — дообученная модель семейства Mistral3 на базе Ministral 3 8B Instruct, подготовленная автором exo-jhop с использованием Unsloth и библиотеки TRL. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; карточка классифицирует её как image-text-to-text и указывает поддержку vision и интерфейса вызова инструментов. Размер базовой модели — 8 млрд параметров; в репозитории указаны веса SafeTensors. Модель может быть полезна для анализа изображений и ответов на вопросы о них в чате. Выпущена по лицензии Apache-2.0.

OpenMed-PII-BiomedBERT-Base-110M-v1 — англоязычная модель OpenMed на архитектуре BERT, дообученная для токенной классификации и обнаружения 54 типов персональных и чувствительных данных в тексте. Она принимает текст и помечает сущности, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель основана на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей и других документов, подготовки наборов данных и аудита коллекций документов. В карточке указана оценка micro F1 0,9497 на тестовой выборке из NVIDIA Nemotron-PII; качество различается по типам сущностей, а для некоторых категорий, включая время, PIN-коды и сексуальность, оно ниже. Модель следует использовать как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски, а качество может меняться на специализированной терминологии. Лицензия — Apache-2.0.

OpenMed-PII-ClinicalE5-Small-33M-v1 — англоязычная модель OpenMed для поиска и классификации персональных и медицинских идентификаторов в тексте. Она построена на архитектуре BERT и дообучена на базе intfloat/e5-small-v2 для задачи token classification; метаданные указывают 40 млн параметров, формат safetensors и контекст до 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, контактные и финансовые данные. Модель предназначена для обезличивания клинических заметок и документов, предварительной очистки наборов данных и аудита текстовых коллекций на наличие чувствительной информации. В README указана оценка micro F1 0,9306 на тестовой выборке NVIDIA Nemotron-PII; качество различается между категориями, а для отдельных типов, например профессий и налоговых идентификаторов, оно заметно ниже. Модель рассчитана преимущественно на английский текст и должна использоваться как вспомогательное средство с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-French-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная для token classification архитектура BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска и обезличивания чувствительной информации в клинических записях, медицинских документах и других французских текстах, а также для подготовки наборов данных и аудита документов. В README указана оценка Micro F1 0,9528 на французской части AI4Privacy. Модель обучалась на BIO-размеченном подмножестве AI4Privacy PII Masking 400k и распространяется по лицензии Apache-2.0. Результаты требуют проверки человеком: модель может пропускать персональные данные, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-ClinicDischarge-Base-110M-v1 — модель OpenMed для поиска и классификации персональных данных во французском тексте. Это трансформер BERT с архитектурой BertForTokenClassification, дообученный на базе emilyalsentzer/Bio_Discharge_Summary_BERT. Модель насчитывает 135,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт BIO-разметку токенов по 54 типам чувствительных сущностей. Модель предназначена для выявления имён, адресов, идентификаторов, контактных, медицинских и финансовых сведений в клинических выписках, медицинских записях и других документах на французском языке. Её можно применять для предварительной деидентификации данных, подготовки корпусов к исследованиям и аудита документов. В README сообщается о micro-F1 0,9429 на французской части AI4Privacy; результат зависит от текста и условий применения. Модель выпущена в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Авторы рекомендуют использовать её как вспомогательный инструмент с проверкой человеком: часть PII может быть пропущена, а качество на других языках и текстах с узкой терминологией может снижаться.

OpenMed-PII-Italian-BiomedBERT-Large-340M-v1 — модель OpenMed для поиска и классификации персональных данных в итальянском тексте. Это дообученная для token classification модель семейства BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract. В метаданных указаны 433,9 млн параметров, контекст до 512 токенов и библиотека Transformers; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель размечает токены и выявляет 54 типа чувствительных данных, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контакты и даты. Её можно применять для предварительного обезличивания клинических записей и медицинских документов, подготовки наборов данных и аудита документов на наличие PII. В README приведён результат micro F1 0,9461 на итальянской части набора AI4Privacy. Модель оптимизирована для итальянского языка и может ошибаться, особенно пропускать PII; качество также зависит от терминологии и контекста. README рекомендует использовать её как вспомогательный инструмент с проверкой человеком, особенно в критически важных сценариях.

OpenMed-PII-Italian-EuroMed-Large-210M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный энкодер EuroBERT с архитектурой EuroBertForTokenClassification и примерно 211,7 млн параметров; модель принимает текст и размечает токены, относящиеся к 54 типам чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Контекст модели — до 8192 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей, медицинских документов и других текстов, а также для подготовки наборов данных к исследованиям и аудита документов на наличие чувствительной информации. В карточке сообщается о Micro F1 0,9685 на итальянской части набора AI4Privacy; веса опубликованы в формате safetensors. Модель оптимизирована для итальянского языка. Возможны пропуски персональных данных, а качество может меняться при использовании специализированной терминологии, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-ModernMed-Base-149M-v1 — англоязычная модель OpenMed для выявления и классификации персональных и других чувствительных данных в тексте. Это дообученная для разметки последовательностей encoder-модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она построена на answerdotai/ModernBERT-base и доступна через библиотеку Transformers. Модель распознаёт 54 типа сущностей, включая имена, адреса, контактные данные, идентификаторы, медицинские сведения и финансовую информацию. Она предназначена для поиска и удаления чувствительных данных из клинических записей и документов, подготовки наборов данных и аудита коллекций. На тестовой выборке из NVIDIA Nemotron-PII карточка сообщает micro F1 0,9514. Модель рассчитана прежде всего на английский текст. Возможны пропуски чувствительных данных, а качество зависит от предметной области; для важных сценариев обнаруженные сущности и пропуски следует проверять человеком. Распространяется по лицензии Apache-2.0.

OpenMed-PII-Spanish-ClinicalBGE-Large-335M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в испанском тексте. Она размечает токены, выделяя 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для обезличивания клинических заметок, медицинских документов и других испаноязычных материалов, а также для подготовки данных к исследованиям и аудита коллекций документов. В README указана оценка micro F1 0,9162 на испанской части набора AI4Privacy. Для лучшей работы автор рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для переноса найденных сущностей на исходный текст. Модель обучена на испанском подмножестве AI4Privacy PII Masking 400k и основана на BAAI/bge-large-en-v1.5. Несмотря на англоязычную базовую модель, карточка позиционирует дообученный вариант для испанского языка. Возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии; для важных сценариев нужна проверка человеком. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Spanish-SnowflakeMed-Large-568M-v1 — модель токеновой классификации на базе XLM-RoBERTa, дообученную для поиска и классификации 54 типов персональных и чувствительных данных в испанском тексте. Она насчитывает 658,7 млн параметров, принимает текст и возвращает метки сущностей с позициями в тексте; контекст — до 8194 токенов. Модель предназначена для выявления имён, адресов, идентификаторов, контактных, медицинских и финансовых сведений в клинических записях и документах. Её можно применять для предварительного обезличивания данных, подготовки наборов для исследований и аудита документов. В README сообщается о результате micro-F1 0,9495 на испанской части AI4Privacy; это не гарантирует такую же точность на других данных. Для лучшей работы авторы рекомендуют удалять диакритические знаки из входного текста; смещения найденных сущностей можно сопоставить с исходным текстом. Возможны пропуски чувствительных данных, а качество зависит от предметной области; критические результаты требуют проверки человеком. Модель опубликована под лицензией Apache-2.0.

pii-layout-synth-v9 — модель на базе encoder-архитектуры ModernBERT, дообученная для классификации токенов. По названию репозитория она, вероятно, предназначена для разметки персональных данных с учётом расположения элементов, однако README не описывает её назначение, схему меток или способ использования. Модель содержит 149 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. В README приведены результаты оценки: F1 0,9912, precision 0,9896, recall 0,9929 и accuracy 0,9985. Датасет назван неизвестным, поэтому эти показатели нельзя независимо интерпретировать или переносить на другие данные. Лицензия — Apache-2.0.

MLX-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, подготовленная сообществом mlx-community. Репозиторий создан конвертацией исходной модели в формат MLX с помощью mlx-vlm 0.1.11 и содержит 3-битную квантизацию. Модель насчитывает 71,5 млрд параметров и поддерживает контекст длиной до 128 000 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалогового анализа изображений и других задач визуально-языкового взаимодействия; доступны чат и интерфейс вызова инструментов. Карточка отсылает к описанию исходной Qwen2.5-VL-72B-Instruct за подробностями о возможностях. В метаданных указана лицензия other; конкретные условия следует сверить с карточкой исходной модели.

Это 4-битная MLX-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, подготовленная mlx-community на основе Qwen/Qwen2.5-VL-72B-Instruct с помощью mlx-vlm 0.1.11. Модель имеет плотную архитектуру Qwen2.5-VL и около 71,5 млрд параметров; она предназначена для диалоговых задач с изображениями и текстом, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения и генерирует текстовые ответы. Контекст составляет до 128 000 токенов. В метаданных указан английский язык; подробности о языках, сценариях визуального анализа и качестве следует сверять с карточкой базовой модели. Репозиторий распространяет веса в формате safetensors для работы в экосистеме MLX. Лицензия обозначена как other, поэтому перед использованием необходимо проверить условия на странице модели и базовой модели. Ограничения качества и конкретные требования к оборудованию в предоставленных материалах не описаны.

bd2lcco/Qwen3-0.6B-finetuned — это дообученная модель для классификации токенов, опубликованная пользователем bd2lcco на Hugging Face и основанная на Qwen/Qwen3-0.6B. В метаданных указаны архитектура Qwen3ForTokenClassification, около 507,9 млн параметров, контекст до 40 960 токенов и формат safetensors; лицензия — Apache-2.0. Модель предназначена для разметки отдельных токенов во входном тексте, например для извлечения сущностей или определения меток последовательности, если соответствующие классы предусмотрены дообучением. Открытый поиск по точному идентификатору не нашёл карточку этой модели, поэтому её конкретную схему меток и специализацию подтвердить нельзя. Карточка базовой модели Qwen3-0.6B указывает на компактную многоязычную языковую модель; точные языки и контекстные характеристики производной модели сверх метаданных здесь не уточняются.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration и 0,8 млрд параметров. Репозиторий mlx-community содержит вариант в формате MLX, полученный преобразованием Qwen/Qwen3.5-0.8B; метаданные также связывают его с базовой моделью Qwen/Qwen3.5-0.8B-Base и указывают дообучение относительно неё. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения, а в ответ генерирует текст. Для запуска в MLX README указывает библиотеку mlx-vlm. Лицензия — Apache-2.0. Карточка отсылает к исходной модели за подробностями, поэтому сведения о поддерживаемых языках, контекстном окне и конкретных ограничениях качества здесь не приведены.

mlx-community/Qwen3.5-122B-A10B-4bit — это 4-битная версия модели Qwen3.5-122B-A10B, преобразованная в формат MLX сообществом mlx-community из исходной модели Qwen/Qwen3.5-122B-A10B. Конвертация выполнена с использованием mlx-vlm версии 0.3.12; модель предназначена для запуска в экосистеме MLX и Transformers. По указанной классификации это vision-language модель для задач «изображение—текст»: она может анализировать изображения и генерировать текстовые ответы, например описывать содержимое изображения. В README не указаны точная архитектура, число активных и общих параметров, поддерживаемые языки, размер контекста, дополнительные модальности, результаты тестирования или ограничения качества. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется пакет mlx-vlm; в README приведён сценарий генерации текста по изображению с параметрами ограничения длины ответа и температуры.

Qwen3-VL-30B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может применяться в сценариях, требующих мультимодального анализа, однако README не содержит подробностей о поддерживаемых языках, максимальном размере контекста, конкретной архитектуре, числе активных параметров или точных возможностях работы с изображениями. Ключевое преимущество версии — 8-битное представление, рассчитанное на более эффективный локальный запуск на Apple Silicon при меньших требованиях к памяти по сравнению с полной версией модели. Ограничения включают возможные потери качества из-за квантования, зависимость производительности от оборудования Apple Silicon и отсутствие в предоставленных данных результатов тестирования. Модель распространяется по лицензии Apache-2.0; LM Studio указывает, что не является создателем или владельцем модели и не гарантирует точность, безопасность или пригодность её ответов.

DevQuasar/Qwen.Qwen3.5-397B-A17B-GGUF — это квантованная версия модели Qwen/Qwen3.5-397B-A17B, подготовленная разработчиком DevQuasar. По указанной классификации модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Из доступных данных известно только, что модель имеет размер 397B параметров и использует вариант архитектуры с обозначением A17B. Поддерживаются как минимум текстовая и визуальная модальности. Сведения о языках, размере контекстного окна, конкретном формате квантования, требованиях к оборудованию, показателях качества и ограничениях отсутствуют, поэтому оценить практическую производительность модели нельзя. README не содержит информации о лицензии или явных условиях использования. Для применения следует дополнительно проверить лицензию базовой модели Qwen/Qwen3.5-397B-A17B и условия распространения квантованной версии.

DevQuasar/Qwen.Qwen3.8-27B-GGUF — квантованная версия модели Qwen/Qwen3.8-27B, опубликованная DevQuasar. В карточке указано, что модель относится к классу image-text-to-text и предназначена для задач преобразования изображений и текста в текст, однако конкретные сценарии применения не описаны. Из доступных данных известно, что модель имеет размер 27B параметров и является квантованной сборкой в формате, обозначенном как GGUF в идентификаторе модели. README не содержит сведений о точной архитектуре, поддерживаемых языках, размере контекстного окна, перечне модальностей и вариантах квантования. Информация о лицензии и условиях коммерческого или некоммерческого использования также отсутствует, поэтому их необходимо уточнить в документации базовой модели и конкретной сборки.

Модель khadija69/roberta_ASE_kgl_large — дообученная версия XLM-RoBERTa Large для классификации токенов. Она подходит для задач разметки последовательностей, например извлечения сущностей или назначения меток отдельным словам, если соответствующие метки предусмотрены обучением. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Опубликованные показатели включают train loss 0,1842 и validation loss 0,3626 после пяти эпох обучения. Модель создана на неизвестном датасете, поэтому её конкретная схема меток, языки и качество на прикладных данных не описаны. Репозиторий содержит веса в формате TensorFlow. Лицензия — MIT.

anuj1541/rotary-indictrans2-indic-en-mr-docs — модель перевода, дообученная автором репозитория на базе RotaryIndicTrans из семейства IndicTrans2. Она переводит текст с маратхи на английский, включая документы; обучение проведено методом LoRA на 4 773 парах и 596 парах для валидации, в течение пяти эпох. Архитектура — плотная условная генеративная модель RotaryIndicTrans; базовая модель содержит 200 млн параметров. Модель загружается через Transformers с пользовательским кодом. В оценке на 500 примерах перевода с маратхи на английский дообученная версия показала BLEU 49,05 и ChrF 65,92; эти результаты относятся к указанному в README набору и протоколу оценки. Модель рассчитана на перевод документов, но возможны ошибки перевода и качества для текстов, отличающихся от обучающих данных. Репозиторий не сообщает лицензию.

SmolVLM2-2.2B-Instruct — компактная мультимодальная модель Hugging Face для анализа изображений, нескольких изображений и видео по текстовым запросам. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; модель принимает текст и визуальные данные, а отвечает текстом. Заявленный размер — 2,2 млрд параметров, для инференса на видео требуется около 5,2 ГБ видеопамяти. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, сравнения визуального содержимого, чтения текста на изображениях и создания историй по медиафайлам. Поддерживаемый язык — английский. Генерировать изображения и видео модель не умеет. В README приведены результаты оценок на визуальных и видео-бенчмарках, но ответы могут быть фактически неверными; модель не предназначена для высокорисковых решений. Лицензия — Apache 2.0.

Stanza для польского языка — набор моделей лингвистического анализа текста, разработанный Stanford NLP Group. Он предназначен для обработки текста от исходных строк до синтаксического анализа и распознавания именованных сущностей; в метаданных этой модели указана задача классификации токенов. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Stanza ориентирована на точный и эффективный NLP для польского языка. Карточка не сообщает размер модели, длину контекста или отдельные ограничения качества, поэтому эти характеристики не приводятся.

UForm-Gen2-dpo — компактная генеративная модель «зрение — язык» от unum-cloud, разработанная для описания изображений и ответов на вопросы о них. Модель также подходит для мультимодального диалога с изображениями. Архитектура сочетает CLIP-подобный ViT-H/14 для обработки изображений и Qwen1.5-0.5B-Chat для генерации текста. Модель дообучена методом Direct Preference Optimization на наборах предпочтений VLFeedback и LLaVA-Human-Preference-10K. В карточке приведены результаты оценки на MME по задачам восприятия и рассуждения, включая OCR, распознавание цветов и подсчёт объектов. Для работы модель принимает изображение и текстовый запрос, а отвечает текстом. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

UI-Venus-1.5-2B-GGUF — набор GGUF-квантизаций мультимодальной модели UI-Venus-1.5-2B, разработанной inclusionAI. Модель предназначена для задач image-to-text, то есть анализа изображений и генерации текстового описания их содержимого, включая сценарии локального запуска через llama.cpp. Модель основана на UI-Venus-1.5-2B и доступна в нескольких вариантах квантизации. Для работы требуются актуальные версии llama.cpp и отдельный файл mmproj; для максимального качества рекомендуется версия mmproj в формате F32, затем BF16 или F16. Квантизация снижает требования к ресурсам, но может уменьшать качество по сравнению с исходной моделью; конкретные размеры, архитектура, поддерживаемые языки и максимальная длина контекста в README не указаны. Лицензия и условия распространения в предоставленных данных не указаны.

XYZAILab_XYZ-Aquila-mini-GGUF — это GGUF-квантизированная версия модели XYZ-Aquila-mini, разработанной XYZAILab. Квантизацию выполнил bartowski с использованием llama.cpp b10142 и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также может применяться в сценариях agentic-search, указанных в метаданных. Точные сведения о размере исходной модели, архитектуре, языках и длине контекста в README не приведены. Доступны варианты от BF16 размером 69,38 ГБ до низкобитных IQ3 и Q3 размером около 16–17 ГБ, а также распространённые варианты Q4, Q5, Q6 и Q8. Более качественные квантизации Q5–Q8 обеспечивают минимальные потери относительно исходных весов, тогда как Q3 и некоторые IQ-варианты экономят память ценой снижения качества. Модель можно запускать через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation WebUI и другие совместимые инструменты; для работы требуется поддержка данной архитектуры конкретным приложением. Лицензия — Apache-2.0. README не содержит результатов тестирования, подробностей о поддерживаемых языках, точного контекстного окна или детального описания ограничений мультимодальной обработки, поэтому эти характеристики нельзя определить по имеющимся данным.

ZTE-AIM/7B-Curr-ReFT — мультимодальная языковая модель, разработанная ZTE-AIM совместно с Университетом науки и технологий Китая. Это объединённая модель на базе Qwen2.5-VL-3B-Instruct и Qwen2.5-VL-7B-Instruct, дообученная методом Curr-ReFT: сначала обучение с подкреплением по учебному плану с постепенным усложнением задач, затем самоулучшение на отклонённых примерах для сохранения исходных возможностей. Модель предназначена для диалога по изображениям, визуальных рассуждений, детального понимания изображений и решения мультимодальных задач. Архитектура Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов; заявлена поддержка визуальных задач и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия Apache-2.0.

Модель cvalenciaunivalle/bilstm-crf-fasttext-charcnn-conll-bs32 — испаноязычная система распознавания именованных сущностей, разработанная для учебного проекта Taller PLN в Univalle; среди участников указаны Laura Valero и Cristian Valencia. Она обучена на CoNLL-2002 и использует BiLSTM с выходным CRF, символьную CharCNN и 300-мерные испанские FastText-эмбеддинги. Модель предназначена для разметки токенов и извлечения сущностей из испанского текста. На тестовой выборке CoNLL-2002 указаны F1 0,8040, точность 0,8130 и полнота 0,7952. Для файлов используется формат safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях с ограничением некоммерческого использования.

Blood Test Explainer — MiniCPM-V 4.6 — компактная мультимодальная модель примерно на 1,3 млрд параметров, созданная для Build Small hackathon Романом и Димитрисом из American College of Greece / Deree AI Lab. Это дообученная версия openbmb/MiniCPM-V-4.6: LoRA обучали на языковых слоях, заморозив визуальный энкодер, а затем объединили с базовой моделью. Модель принимает фото или PDF бланка анализа крови и извлекает показатели, значения, единицы измерения, референсные диапазоны и отметки о повышенных или пониженных результатах в структурированный JSON; её можно запускать локально без подключения к сети. Модель предназначена для образовательного извлечения и объяснения результатов рутинных анализов крови. В описанной оценке на небольшой выборке размеченных бланков она показала F1 0,746, полноту 0,647 и точность 0,880; авторы отмечают, что результаты следует считать ориентировочными. Для объяснений приложение сочетает модель с курированной медицинской базой знаний. Лицензия — Apache-2.0, как у базовой модели. Модель может ошибаться при распознавании значений, особенно на зашумлённых сканах, а оценка проведена на небольшой выборке. Это образовательный инструмент, а не средство диагностики или замена консультации врача.