I.4Обработка документов и форм

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

Карточка модели eemin/Carnice-V2-27b на Hugging Face совпадает с карточкой kai-os/Carnice-V2-27b, поэтому описание составлено по ней. Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

DE·HTR — компактная модель распознавания современных немецких рукописных строк, опубликованная naeyn. Она принимает одно заранее вырезанное изображение строки и выдаёт Unicode-транскрипцию с помощью greedy-декодирования CTC. Модель предназначена для браузерного или локального запуска через ONNX Runtime; после загрузки страницы и модели распознавание выполняется без сетевых запросов. Архитектура включает визуальную основу ResNet-18, проекцию до 384 признаков, трёхслойную двунаправленную GRU и CTC-голову на 196 классов. Веса опубликованы в формате ONNX с int8-квантованием; размер модели — около 9,84 МБ, число параметров — около 9,73 млн. Изображение приводится к высоте 64 пикселя, ширина может быть динамической. Модель рассчитана только на немецкий язык и современные рукописные строки, а не на целые страницы. Сильные стороны — небольшой размер, работа на стороне клиента, автономное использование и предсказуемое распознавание без передачи изображений на сервер. Ограничения: нет сегментации строк, языковой модели или лексической коррекции; качество может снижаться на новых авторах и условиях съёмки, а исторические шрифты и неподдерживаемые символы не распознаются. Лицензия — Apache-2.0.

EDS-Pseudo — гибридная модель AP-HP на базе библиотеки edsnlp для обнаружения идентифицирующих сведений в документах. Публичная предварительно обученная версия обучена на синтетических данных; в README указано, что её преимущественно проверяли на клинических отчётах хранилища клинических данных AP-HP. Модель сочетает правила и глубокое обучение и размечает сущности для последующей псевдонимизации или редактирования документов. Модель предназначена для извлечения персональных данных, включая адреса, даты и даты рождения; в карточке также заявлена медицинская направленность и французский язык. Для запуска используется edsnlp. Репозиторий содержит веса safetensors, лицензия — BSD 3-Clause. В README приведены высокие оценки точности и полноты для нескольких типов сущностей, однако тестирование на синтетических данных и клинических отчётах AP-HP не гарантирует такие же результаты на других типах документов и данных.

ElhBERTeu-nerc — модель семейства BERT, разработанная orai-nlp и дообученная для распознавания именованных сущностей в текстах на баскском языке на датасете NERC из BasqueGLUE. Она размечает токены тегами организаций, персон, географических названий и категории MISC. В README приведены результаты на объединённом тестовом наборе: F1 0,867 и accuracy 0,979; обучение проводилось 10 эпох с batch size 32 и learning rate 3e-5. Модель содержит 151,7 млн параметров, принимает контекст до 512 токенов и распространяется в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

GLM-4.5V-GGUF — квантованная версия модели GLM-4.5V в формате GGUF, автоматически преобразованная проектом ggml-org/convert. Исходная модель разработана организацией zai-org. По указанной классификации это мультимодальная модель для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа. Модель предназначена для локального запуска через совместимые инструменты, включая llama.app и команду llama serve. В README не указаны архитектура, размер, варианты квантования, поддерживаемые языки, максимальная длина контекста и конкретные сценарии применения, поэтому эти характеристики нельзя достоверно оценить. Также не приведены результаты тестирования, сведения о производительности или ограничения исходной модели. Репозиторий распространяется по лицензии MIT.

inferencerlabs/GLM-5.3-Flash-MLX-Q9 — это квантованная версия мультимодальной модели GLM-5.3-Flash, разработанной на основе zai-org/GLM-5.3-Flash-BF16. Модель подготовлена сообществом inferencerlabs для выполнения через MLX, включая модифицированную версию MLX, и предназначена для сценариев image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель использует квантование Q9, которое, согласно приведённым измерениям, обеспечивает близкие к базовой версии результаты: заявлены perplexity 1,20312 и точность токенов 97,80% против 100% у Base. Тестирование проводилось на системе с M3 Ultra через Inferencer app v2.3.5; для мультимодального вывода указана скорость около 22,3 токена в секунду и объём памяти примерно 332,8 GiB. Архитектура, число параметров, поддерживаемые языки и размер контекстного окна в README не указаны. Сильной стороной модели является сочетание мультимодальности и высокоточного Q9-квантования, потенциально позволяющее экономить ресурсы по сравнению с полноточной версией при небольшом снижении качества. Ограничениями остаются высокая заявленная потребность в памяти, зависимость от MLX и оборудования Apple Silicon, а также отсутствие подробных сведений о языках, контексте и результатах независимых тестов. Лицензия в README не указана; условия использования следует уточнять у авторов базовой модели и квантованной версии.

Healthcare Brain NER — модель распознавания именованных сущностей от Genzeon Platforms для обнаружения и обезличивания защищённой медицинской информации (PHI) и персональных данных (PII) в клиническом тексте. Это BERT-модель для классификации токенов на основе Bio_ClinicalBERT, дообученная с BIO-разметкой; README также упоминает постобработку по правилам. В метаданных указаны архитектура BertForTokenClassification, 135,5 млн параметров и контекст 512 токенов. Модель предназначена для поиска 20 типов чувствительных сущностей в медицинских записях, выписках, направлениях и других неструктурированных клинических документах. Её можно применять для подготовки текстов к повторному использованию, исследованиям и последующим NLP-процессам с учётом конфиденциальности. README приводит метрики на тестовых данных, но отмечает, что обучение преимущественно опирается на синтетические шаблонные данные, поэтому качество на разнообразной реальной документации может отличаться. Модель рассчитана на английский язык. Для документов длиннее 512 токенов рекомендуется обработка фрагментами с перекрытием, а для критичных процессов — проверка результатов специалистом. Лицензия — Apache-2.0.

Heretical-Qwen3.5-0.8B — дообученная версия Qwen3.5-0.8B-Base от автора репозитория, созданная с помощью настроенной версии Heretic. Это компактная плотная мультимодальная модель с 0,8 млрд параметров: гибридная архитектура Gated DeltaNet и Softmax Attention объединена с визуальным энкодером. Модель принимает текст и изображения и предназначена для диалогов и задач понимания изображений; контекст составляет 262 144 токена. В README сообщается о снижении частоты отказов в тесте автора до 5 из 100 при KL-дивергенции 0,0224 относительно исходной модели. Небольшой размер подходит для прототипирования, разработки и дальнейшей настройки под конкретные задачи. Карточка также заявляет поддержку 201 языка и диалекта, но не приводит таблицу языков именно этой версии. Модель распространяется в формате Safetensors для Transformers; лицензия — Apache-2.0.

ICM-Qwen2-VL-7B — дообученная модель zhaoyuzhi на основе Qwen/Qwen2-VL-7B-Instruct, созданная с использованием набора данных qwen_sexy_after. Это мультимодальная модель с архитектурой Qwen2-VL и 7,1 млрд параметров, предназначенная для диалога и генерации текстовых ответов по изображениям. Она принимает текст и изображения, а выдаёт текст; поддерживает контекст до 32 768 токенов. В карточке приведено значение loss 0,1821 на оценочном наборе, но подробности оценки не раскрыты. Модель опубликована в формате safetensors; лицензия обозначена как other.

InternLM-XComposer2-VL-1.8B — мультимодальная языковая модель семейства InternLM-XComposer2, разработанная командой InternLM на основе InternLM2. Версия VL предназначена для понимания изображений и текста; она принимает изображение и текстовый запрос и формирует текстовый ответ. Модель содержит 1,7 млрд параметров, использует плотную архитектуру InternLMXComposer2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для визуальных вопросов и ответов, описания изображений и других задач понимания связей между текстом и изображением. В README приведён способ запуска через Transformers и PyTorch; для экономии памяти рекомендуется загрузка в float16. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.

Kansallisarkisto/latvian-large-handwritten — модель на основе Transformer encoder-decoder для распознавания рукописного текста на изображениях. Она дообучена Национальным архивом Латвии на базе microsoft/trocr-large-handwritten в рамках проекта ArchXAI, поддержанного программой Central Baltic Programme. Для обучения использованы преимущественно размеченные строки рукописных исторических документов из коллекций Национального архива Латвии; в обучающей выборке также были печатные и машинописные строки и пустые строки из коллекций Национального архива Финляндии. Модель предназначена для оцифровки архивных документов, исторических рукописей и рукописных заметок на латышском языке. Она принимает изображение отдельной строки текста и выдаёт её текстовую транскрипцию. На тестовой выборке из своего домена авторы сообщают CER 0,0233 и WER 0,1050. Модель лучше всего подходит для латышского письма с латинскими буквами и латышскими диакритическими знаками. Она не обучалась на нелатинских алфавитах и может плохо работать с другими языками и данными вне обучающего домена. Лицензия — Apache 2.0.

LFM2-VL-3B — мультимодальная модель Liquid AI для работы с текстом и изображениями, построенная на языковой основе LFM2 и визуальных энкодерах SigLIP2 NaFlex. Модель имеет гибридную архитектуру с сочетанием свёрточных слоёв и attention; в карточке указано 2,6 млрд параметров языковой части и энкодер зрения на 400 млн параметров. Она принимает изображения с разным соотношением сторон, обрабатывает разрешение до 512×512 пикселей и разбивает более крупные изображения на фрагменты с дополнительным обзорным миниатюрным изображением. Модель предназначена для диалогового следования инструкциям, понимания изображений и лёгких агентных сценариев; её можно применять для описания изображений, визуальных вопросов и ответов, а также задач детального зрительного восприятия. Настройки числа визуальных токенов и фрагментов позволяют выбирать компромисс между скоростью и качеством. Основной поддерживаемый язык, указанный в README, — английский; метаданные также перечисляют японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский. Рекомендуется дообучать модель под узкие сценарии; она не предназначена для решений, критичных к безопасности. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MiMo-VL-7B-SFT — мультимодальная модель Xiaomi для понимания изображений и работы с визуальными запросами. Она сочетает визуальный ViT-кодировщик, сохраняющий детали исходного разрешения, MLP-проектор для связи изображений с языковой частью и языковую модель MiMo-7B, оптимизированную для сложных рассуждений. Чекпойнт получен после четырёх этапов предварительного обучения, включая настройку на длинный контекст; метаданные указывают 7 млрд параметров и контекст до 128 000 токенов. Модель предназначена для диалога по изображениям, мультимодальных рассуждений, визуального заземления и понимания интерфейсов. Она совместима с архитектурой Qwen2_5_VLForConditionalGeneration и библиотекой Transformers. README также описывает результаты версии MiMo-VL-7B-RL; они не относятся напрямую к этому SFT-чекпойнту. Модель распространяется по лицензии MIT.

Ministral-3-8B-Instruct-2512-GGUF — это конвертированная в формат GGUF версия модели Ministral-3-8B-Instruct-2512-BF16, разработанной Mistral AI; конвертацию выполнил ggml-org с использованием convert_hf_to_gguf.py. Модель предназначена для задач image-text-to-text, то есть обработки текстово-визуальных запросов и генерации текста на их основе. Из доступных данных известно, что модель содержит 8 миллиардов параметров и поставляется в формате GGUF, ориентированном на запуск с совместимыми инструментами, включая llama-server. Исходная модель использует формат BF16. Сведения о поддерживаемых языках, размере контекста, конкретных модальностях и рабочих характеристиках в README не указаны, поэтому их нельзя достоверно оценить. Модель распространяется по лицензии Apache-2.0. README не содержит подробных данных о сильных сторонах, ограничениях, требованиях к аппаратному обеспечению или результатах тестирования.

Ministral-3B-PII-Preview — языковая модель на 3,3 млрд параметров от OpenMed для обнаружения персональных данных в неструктурированном тексте. Она извлекает найденные сущности и возвращает их в виде структурированного JSON-массива с типами; для текста без персональных данных модель может вернуть пустой массив. Модель построена на архитектуре Mistral 3 и используется через библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для извлечения персональных данных в сценариях проверки документов, клинических текстов и поддержки процессов конфиденциальности и соответствия требованиям. README сообщает о поддержке 20 языков в тестах, хотя обучающие данные были только на английском. На англоязычном тесте из 1 000 примеров все ответы были валидным JSON; многоязычная оценка показала более слабые результаты на сыром выводе для ряда языков, включая русский, а идеальные показатели после обработки достигались с отдельным детерминированным постпроцессингом. Модель принимает только текст; извлечение персональных данных из изображений не поддерживается, несмотря на тег image-text-to-text в метаданных. Она специализирована на PII, поэтому не предназначена для общего NER или обычного диалога. Возможны пропуски сущностей и неверные метки, особенно при узкоспециальной лексике и нестандартных форматах; для комплаенса её следует применять как часть более широкой системы, а не как единственную проверку.

Inferact/Muse-Glimmer-30B-NVFP4-W4A4 — это версия весов модели Muse-Glimmer-30B, опубликованная Inferact и представленная как NVFP4-квантизированные веса с форматом W4A4. В карточке указана библиотека Transformers и задача image-text-to-text, поэтому модель предназначена для сценариев, где требуется обработка изображений и текста с генерацией текстового ответа. В доступных данных не раскрыты архитектура исходной модели, точное число параметров помимо обозначения 30B, поддерживаемые языки, размер контекста, конкретные возможности мультимодального ввода или требования к оборудованию. Квантизация может уменьшать требования к памяти и ускорять инференс, но потенциально влияет на точность по сравнению с полной версией; степень этого влияния не указана. Модель распространяется по лицензии Apache-2.0.

InternVL3_5-14B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-14B, разработанной командой OpenGVLab. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и предназначен для задач преобразования изображений и текста в текстовые ответы: анализа изображений, визуального вопросно-ответного взаимодействия и связанных сценариев мультимодального диалога. Модель имеет около 14 миллиардов параметров и поддерживает работу через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3, Q2 и IQ, что позволяет выбирать между качеством ответа, размером файла и требованиями к оперативной памяти. Наиболее качественными считаются BF16 и старшие варианты квантования; версии с более сильным сжатием экономичнее, но могут заметнее терять в качестве. Формат запроса и точный контекст в README не указаны, поэтому их следует уточнять на странице исходной модели. README не содержит сведений о поддерживаемых языках, точной архитектуре, размере контекста или лицензии. Условия использования следует проверять в материалах исходной модели OpenGVLab/InternVL3_5-14B и конкретного репозитория. Также важно учитывать, что это набор квантизированных весов, а не оригинальная модель, и для работы требуется совместимое программное обеспечение.

OpenMed-PII-BiomedBERT-Large-340M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для разметки токенов модель семейства BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract. По метаданным, модель содержит 433,9 млн параметров, принимает контекст до 512 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель размечает 54 типа чувствительных данных, включая имена, адреса, номера документов и медицинских записей, контактные данные, платёжные реквизиты и сетевые идентификаторы. Её применяют для поиска и последующего удаления или маскирования PII в клинических записях и документах, подготовки наборов данных и аудита документов. В карточке приведён результат micro-F1 0,9543 на тестовой выборке NVIDIA Nemotron-PII; для некоторых категорий качество ниже. Модель рассчитана преимущественно на английский текст. Возможны пропуски чувствительных данных, а качество зависит от предметной области; карточка рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-EuroMed-Large-210M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученный энкодер EuroBERT-210m с архитектурой EuroBertForTokenClassification и 211,7 млн параметров; модель размечает токены по типам сущностей, охватывая 54 категории, включая имена, адреса, контактные данные, идентификаторы и медицинские сведения. Контекст — до 8192 токенов. Модель предназначена для поиска и удаления персональных данных в клинических записях и документах, предварительной очистки наборов данных и аудита текстовых коллекций. В README приведены результаты на тестовой выборке NVIDIA Nemotron-PII: micro F1 0,960, точность 0,9681 и полнота 0,9521. Авторы указывают, что система служит вспомогательным инструментом: пропуски возможны, качество зависит от предметной области, а для критичных случаев нужна проверка человеком. Основной язык обучения — английский. Лицензия — Apache-2.0.

OpenMed-PII-French-BioClinicalModern-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных данных в текстах на французском языке. Это дообученный ModernBERT с архитектурой для классификации токенов, 149 млн параметров и контекстом до 8192 токенов. Модель распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель предназначена для поиска и удаления чувствительных данных во французских клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных к исследованиям и поддержки проверок приватности. В оценке на французской части AI4Privacy указана микро-F1 0,9470. Модель выпущена под лицензией Apache-2.0. Это вспомогательный инструмент: пропуски PII возможны, поэтому важные результаты следует проверять человеком. Качество может снижаться при специализированной терминологии; модель оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-BioClinicalModern-Large-395M-v1 — модель OpenMed для обнаружения и классификации персональных данных в текстах на французском языке. Это дообученная модель токенной классификации на архитектуре ModernBERT с 394,7 млн параметров и контекстом до 8192 токенов. Она размечает 54 типа сущностей, включая имена, адреса, контакты, финансовые и медицинские идентификаторы. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других французских текстах, чтобы поддерживать обезличивание, подготовку наборов данных и аудит документов. В README приведён результат micro F1 0,9625 на французской части AI4Privacy; обучение описано как выполненное на BIO-разметке AI4Privacy PII Masking 400k. Автор указывает Apache-2.0 и называет модель готовой для производственных конвейеров. При этом она служит вспомогательным средством: возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии; для важных случаев нужна проверка человеком. Модель оптимизирована для французского языка и может хуже работать на других языках.

OpenMed-PII-French-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных во французском тексте. Это дообученная на BAAI/bge-m3 модель семейства XLM-RoBERTa с архитектурой token classification и примерно 658,7 млн параметров; она принимает текст и размечает токены, выделяя 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские сведения и контактные данные. Модель рассчитана на обработку клинических записей, медицинских документов и других текстовых коллекций, где требуется находить данные для последующего обезличивания, подготовки исследовательских наборов или аудита приватности. В README приведён результат micro F1 0,9733 на французской части набора AI4Privacy PII Masking 400k. Поддерживается французский язык, длина контекста — 8194 токена; модель использует Transformers и формат safetensors. Модель может помочь в потоках обработки данных, связанных с GDPR и другими требованиями приватности, но её разметку следует проверять человеком: возможны пропуски, а качество может меняться в зависимости от терминологии и контекста. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-German-BiomedELECTRA-Base-110M-v1 — модель OpenMed для выявления и классификации персональных данных в немецком тексте. Это дообученный трансформер BiomedELECTRA с архитектурой BERT, предназначенный для токенной классификации; по метаданным размер модели составляет 136,7 млн параметров, а максимальная длина контекста — 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, контактные данные, финансовые и медицинские идентификаторы. Она подходит для обезличивания клинических записей и документов, подготовки данных к исследованиям, проверки коллекций документов и поддержки процессов соблюдения требований GDPR. В оценке на немецкой части набора AI4Privacy указаны micro-F1 0,9179, точность 0,9110 и полнота 0,9250. Модель оптимизирована для немецкого языка; на других языках качество может быть ниже. Возможны пропуски персональных данных, а результат зависит от терминологии и контекста, поэтому для критичных сценариев нужна проверка человеком. Лицензия — Apache-2.0.

OpenMed разработала модель для обнаружения и классификации персональных и других чувствительных данных в немецких текстах. Это дообученная на BAAI/bge-m3 модель XLM-RoBERTa для пок tokenной классификации: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Размер по метаданным — 658,7 млн параметров, контекст — до 8194 токенов. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных и поиска PII при аудите приватности. В README указана оценка micro F1 0,9724 на немецкой части набора AI4Privacy PII Masking 400k. Модель принимает немецкий текст и возвращает метки токенов с типами сущностей. Она ориентирована на немецкий язык; качество на других языках может быть низким. README предупреждает о возможных пропусках PII и вариативности качества на специализированной терминологии, поэтому результаты для критичных сценариев следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicalLongformer-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в немецком тексте. Это дообученная на токеновую классификацию Longformer-модель с 151,8 млн параметров и контекстом до 4098 токенов. Она выделяет сущности, в том числе имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для поиска и удаления чувствительных данных в немецких клинических записях, медицинских документах и других текстах, а также для подготовки наборов данных и аудита документов. В README сообщается оценка F1 0,9485 на немецкой части набора AI4Privacy PII Masking 400k. Модель принимает текст и возвращает метки сущностей для его токенов. Модель оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Возможны пропуски чувствительных данных, поэтому результаты следует проверять человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-German-SnowflakeMed-Large-568M-v1 — модель OpenMed для обнаружения персональных и других чувствительных данных в немецком тексте. Это дообученная модель классификации токенов на базе Snowflake/snowflake-arctic-embed-l-v2.0 с архитектурой XLM-RoBERTa; метаданные указывают 658,7 млн параметров, библиотеку Transformers и контекст до 8194 токенов. Модель размечает 54 типа сущностей, включая идентификаторы, имена, контактные и финансовые данные, сведения о здоровье и местоположении. Модель предназначена для выявления PII в клинических записях, медицинских документах и других немецкоязычных материалах, чтобы поддерживать деидентификацию, подготовку исследовательских данных и аудит документов. В оценке на немецкой части AI4Privacy указана micro-F1 0,9724. Модель оптимизирована для немецкого языка; в README её рекомендуют использовать как вспомогательный инструмент с проверкой результатов человеком, поскольку возможны пропуски PII и снижение качества на специализированной терминологии. Лицензия — Apache-2.0.

OpenMed-PII-ModernMed-Large-395M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученный энкодер ModernBERT-large с архитектурой ModernBertForTokenClassification, примерно 394,7 млн параметров и контекстом до 8192 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения; она обучена на NVIDIA Nemotron-PII и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, документов и наборов данных, а также для поддержки аудита конфиденциальности. В README сообщается о micro-F1 0,9579 на тестовой выборке из 2000 примеров. Модель рассчитана прежде всего на английский текст; качество зависит от категории сущностей и предметной области, а некоторые сведения она может пропустить. Авторы рекомендуют использовать её как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.