I.4Обработка документов и форм

vi-ner-videberta — модель разметки токенов на основе ViDeBERTa, разработанная для извлечения сущностей из OCR-текста банковских выписок на вьетнамском языке. Она классифицирует фрагменты как PERSON, ORGANIZATION и ADDRESS; метка адреса помогает отличать названия улиц и административных районов, похожие на имена людей или организаций. Модель основана на Fsoft-AIC/videberta-base, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Предназначенный сценарий — обработка одной OCR-распознанной строки банковской транзакции для последующего анализа. На валидации указаны F1 0,902 в целом и F1 0,892 для PERSON, 0,889 для ORGANIZATION и 0,923 для ADDRESS. Ошибки OCR, сокращения, незнакомые форматы выписок и имена, совпадающие с географическими названиями, могут снижать точность; результаты требуют проверки перед юридическими, комплаенс-, идентификационными или платёжными решениями. Лицензия указана как other; обучающие данные включают ограниченные или не подлежащие распространению примеры, поэтому перед коммерческим использованием или распространением нужно проверить условия исходных данных.

MMG/xlm-roberta-large-ner-spanish — модель XLM-RoBERTa-large, дообученная для распознавания именованных сущностей в испанском тексте на испанской части набора CoNLL-2002. Она размечает текст на уровне токенов и подходит для извлечения сущностей из документов и других испаноязычных текстов. Архитектура — XLM-RoBERTa для классификации токенов; размер модели — 658,7 млн параметров, длина контекста — 514 токенов. В карточке указана оценка F1 89,17 на тестовой части CoNLL-2002. Модель опубликована в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

hatmimoha/arabic-ner — модель распознавания именованных сущностей на основе BERT для арабского языка. Она выполняет токенную классификацию и выделяет в тексте людей, организации, места, даты, товары, соревнования, награды, события и заболевания. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель предназначена для разметки арабских текстов, например новостных и веб-публикаций, с целью извлечения упоминаний сущностей. В README указано, что обучающий корпус содержит около 378 тысяч токенов из 14 тысяч предложений, собранных в интернете и размеченных вручную; F-мера на проверочном корпусе из 30 тысяч токенов составляет примерно 87%. Лицензия в предоставленных данных не указана.

Модель syarulzaffi/date2format — классификатор текста на базе DistilBERT, обученный с помощью AutoTrain как дообучение syarulzaffi/date2dateformat. Она предназначена для классификации текстового ввода в рамках задачи преобразования даты в нужный формат. В карточке приведены метрики валидации: точность составляет около 93,9%, а macro F1 — около 93,3%. Модель принимает текст и выдаёт метку класса; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

Eagle2-1B — компактная мультимодальная модель Vision-Language от NVIDIA для сценариев, где важны быстрый вывод и умеренные вычислительные ресурсы. Она построена на архитектуре Eagle 2.5 VL и объединяет языковую основу Qwen2.5-0.5B-Instruct с компонентами PaliGemma и SigLIP; модель распространяется в формате safetensors и рассчитана на контекст до 16 тысяч токенов. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она подходит для диалога по изображениям и видео, ответов на вопросы по документам, графикам и визуальным данным. В README приведены результаты на DocVQA, ChartQA и InfoVQA; они показывают применимость к анализу документов и диаграмм, но сами по себе не гарантируют качество в конкретном сценарии. Карточка указывает поддержку нескольких языков, не перечисляя их по отдельности. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Как и другие VLM, она может ошибаться при распознавании визуальных деталей и интерпретации материалов; перед применением в значимых процессах ответы следует проверять.

InternVL-Chat-V1-2 — мультимодальная большая языковая модель от OpenGVLab для диалога по изображениям и тексту. Она объединяет vision-энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель опубликована в формате safetensors и предназначена для запуска через Transformers с поддержкой пользовательского кода модели. Модель отвечает на вопросы об изображениях, описывает их и обрабатывает визуальные инструкции. В обучающие данные включены примеры OCR, диаграмм, графиков, документов и научных иллюстраций; также поддерживается обычный текстовый диалог. Изображения обрабатываются с размером 448 × 448 пикселей и представляются 256 визуальными токенами. Карточка характеризует языковую часть как многоязычную, но не перечисляет конкретные языки. В README приведены сравнительные результаты на наборах тестов для визуальных вопросов и понимания изображений. Для запуска нужны значительные вычислительные ресурсы, соответствующие модели на 40 млрд параметров. В README отдельно предупреждают, что 4-битная квантизация BNB может привести к потере понимания изображений и бессмысленным ответам. Лицензия модели — MIT.

coder3101/LFM2.5-350M-heretic — декензурированная версия LFM2.5-350M от Liquid AI, созданная автором репозитория с помощью Heretic v1.3.0. Это компактная плотная языковая модель для генерации текста и диалогов, рассчитанная на локальное и периферийное выполнение. По карточке исходная архитектура включает 16 слоёв: блоки свёрток LIV и GQA; модель принимает только текст и поддерживает контекст до 128 000 токенов согласно метаданным. Она предназначена для извлечения данных, структурированных ответов и работы с инструментами. В README сравнение с исходной моделью показывает 6 отказов из 100 против 90 из 100 у оригинала. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. README исходной модели указывает 350 млн параметров, тогда как метаданные этой версии — 444,6 млн. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Программирование и задачи, требующие обширных знаний, для исходной модели не рекомендуются; показатели производительности исходной модели не следует автоматически считать проверенными для этой версии. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

Ministral 3 3B Instruct 2512 — компактная мультимодальная модель компании Mistral AI, постобученная для выполнения инструкций. Она сочетает языковую модель на 3,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров; веса представлены в формате FP8. Модель предназначена для локального и периферийного развёртывания, а для работы в FP8 достаточно 8 ГБ видеопамяти согласно карточке модели. Поддерживается контекст до 256 тысяч токенов. Модель принимает текст и изображения, отвечает на вопросы о визуальном содержимом, создаёт короткие тексты, классифицирует текст, извлекает данные и помогает с переводом. Также заявлены поддержка системных инструкций, вызова функций и вывода JSON. Указаны английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский и арабский языки. Модель можно применять для лёгких приложений реального времени на устройствах с ограниченными ресурсами. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию. Результаты могут зависеть от выбранных настроек и качества входных изображений; автор рекомендует для визуальных задач изображения с соотношением сторон, близким к 1:1. Заявления о характеристиках и бенчмарках приведены разработчиком; таблицы README преимущественно показывают результаты более крупной модели Ministral 3 14B, поэтому их нельзя напрямую считать оценкой версии 3B.

liaad/NER_harem_bert-base-portuguese-cased — модель для распознавания именованных сущностей, дообученная разработчиком на наборе данных HAREM на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT для классификации токенов и предназначена для разметки сущностей в текстах на португальском языке. В карточке приведены результаты на оценочной выборке: F1 0,7106, точность (precision) 0,6853, полнота (recall) 0,7378 и accuracy 0,9522. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Распространяется по лицензии MIT.

google/pix2struct-base — предварительно обученная модель Pix2Struct, разработанная Google и представленная в экосистеме Hugging Face. Это архитектура «визуальный энкодер — текстовый декодер», обученная преобразовывать изображения в текст; веса предназначены для дообучения под конкретные задачи. Модель рассчитана на визуальное понимание содержимого изображений, включая подписи к изображениям и ответы на вопросы по ним. Предобучение нацелено на разбор замаскированных снимков веб-страниц в упрощённый HTML; подход охватывает сигналы, связанные с OCR и описанием изображений. Вход может иметь переменное разрешение, а языковые подсказки и вопросы могут быть представлены на изображении. Карточка перечисляет документы, иллюстрации, пользовательские интерфейсы и обычные фотографии как области последующего применения. Модель не заявлена как готовая универсальная система: для прикладного сценария требуется дообучение. Репозиторий распространяется по лицензии Apache-2.0.

PP-Chart2Table — мультимодальная модель команды PaddlePaddle для разбора диаграмм на китайском и английском языках и преобразования их содержимого в табличные данные. Она обучена с применением задачи извлечения данных из перемешанных фрагментов диаграмм, стратегии маскирования токенов и двухэтапной дистилляции для повышения устойчивости к реальным данным, в том числе к данным вне обучающего распределения. Модель принимает изображение диаграммы и выдаёт текстовое представление извлечённых данных, пригодное для преобразования в таблицу. Разработчики сообщают, что по внутренним тестам она сопоставима с VLM на 7 млрд параметров в ключевых сценариях; подробности тестов в карточке не приведены. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Многоязычная модель распознавания именованных сущностей от Julian Schelb. Она размечает каждый токен в формате IOB2, выделяя людей (PER), организации (ORG) и географические объекты (LOC). Модель дообучена на данных WikiANN, автоматически собранных из Википедии, и предназначена для извлечения сущностей из текста на разных языках. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForTokenClassification. Веса содержат около 658,7 млн параметров; контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Модель подходит для разметки текста и построения конвейеров извлечения сущностей, особенно в многоязычных сценариях. Качество может снижаться на текстах из предметных областей, отличающихся от данных WikiANN: карточка отмечает ограничения, связанные с охватом и периодом исходных аннотированных текстов. Модель выпущена по лицензии MIT.

schift-io/schift-ko-pii-v5 — модель для обнаружения персональных данных в корейском тексте. По карточке модели, разработчик schift.io; она предназначена для извлечения имён людей и адресов, а пакет schift-ko-pii дополняет её регулярными выражениями для распознавания структурированных данных, включая телефоны, идентификаторы и даты. Модель можно использовать для поиска и маскирования чувствительных фрагментов в тексте и файлах. Это компактный двунаправленный токен-классификатор семейства LFM2 с гибридной архитектурой свёрточных и attention-слоёв: 6 слоёв, скрытый размер 512, линейная голова на 33 метки и разметка BIES. В репозитории указаны 32,9 млн параметров в метаданных и 34 млн в README; веса safetensors занимают 136 МБ. Используется токенизатор klue/roberta-base. Метаданные указывают контекст 8192 токена, тогда как README задаёт предел обработки 512 токенов. Модель ориентирована на корейский язык; также в примерах карточки есть имена на ханча и иностранных языках. В бенчмарке README для модели приведены F1=0,578, точность 0,847 и полнота 0,439 без постобработки; показатели гибридного варианта с SDK включают regex-постобработку и не характеризуют одни только веса. Для использования непосредственно через Transformers README требует trust_remote_code=True. Лицензия в метаданных обозначена как other, без уточнения условий.

SpanMarker — модель для распознавания именованных сущностей в английском тексте, разработанная и обученная на датасете FewNERD. Она использует дообученный энкодер roberta-large и библиотеку SpanMarker для разметки сущностей. Модель предназначена для извлечения и классификации названий людей, организаций, произведений и других сущностей в предложениях и документах. Максимальная длина последовательности составляет 256 токенов, а максимальная длина распознаваемой сущности — 8 слов. Модель можно применять для извлечения сущностей из текста и дообучать на собственных данных. Она принимает текст и выдаёт метки сущностей для его фрагментов. Лицензия — CC BY-SA 4.0.

h1nadesu/xlm-roberta-base-finetuned-panx-all — модель XLM-RoBERTa, дообученная для классификации токенов. Она предназначена для разметки последовательностей, в частности для задач распознавания сущностей по токенам в разных языках. Модель содержит 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В README приведён результат на оценочной выборке: F1 0,8683. Модель разработана на основе FacebookAI/xlm-roberta-base и распространяется в формате safetensors под лицензией MIT. Карточка не раскрывает состав обучающего набора и детальные ограничения; название указывает на дообучение на PAN-X для нескольких языков.

Это модель для распознавания именованных сущностей в русском тексте, разработанная Сергеем Бирюковым. Она основана на XLM-RoBERTa Large и дообучена на русской части датасета WikiANN для задачи классификации токенов. Модель содержит около 658,7 млн параметров, принимает текст и присваивает метки его токенам, выделяя сущности. Для неё указаны контекст до 514 токенов, библиотека Transformers и лицензия MIT. Карточка не приводит перечень типов сущностей или оценку качества, поэтому точность для конкретных данных по имеющимся сведениям оценить нельзя.

Модель kamalkraj/bert-base-cased-ner-conll2003 — дообученная версия BERT base cased для распознавания именованных сущностей. Она выполняет токенную классификацию, размечая текстовые фрагменты как сущности; модель дообучена на наборе CoNLL-2003. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В README для оценочного набора CoNLL-2003 указаны F1 0,9482, точность 0,9438 и полнота 0,9525. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют полный перечень распознаваемых типов сущностей и подробные ограничения применения.

Kuiyen/bert-finetuned-ner — модель Kuiyen для распознавания именованных сущностей. Она дообучена на базе BERT base cased на наборе CoNLL-2003 и использует архитектуру BertForTokenClassification. Модель принимает текст и присваивает метки отдельным токенам, выделяя сущности в последовательности; максимальная длина контекста составляет 512 токенов. В репозитории указано 135,5 млн параметров. На оценочном наборе CoNLL-2003 модель показала F1 0,94, точность 0,9313, полноту 0,9488 и accuracy 0,9862. Эти результаты относятся к указанному набору данных и не гарантируют такого же качества на других текстах и предметных областях. Лицензия — Apache-2.0.

bertspan4ner-base-chinese — модель на архитектуре BERT для распознавания именованных сущностей в китайском тексте, опубликованная shibing624. Она выполняет токенную классификацию с использованием подхода BertSpan и рассчитана на извлечение сущностей из китайских предложений; пример из карточки находит имя человека и дату. В метаданных указаны 129,5 млн параметров, контекст до 512 токенов и библиотека Transformers с весами PyTorch. На тестовой выборке PEOPLE для модели приведены точность 0,9610, полнота 0,9600 и F1 0,9605; карточка заявляет результат уровня SOTA на этом наборе. Указана лицензия Apache-2.0. Результаты приведены для конкретного набора данных и сами по себе не гарантируют такого же качества на других источниках или типах китайского текста.

unsloth/gemma-3-4b-pt — мультимодальная модель семейства Gemma 3, подготовленная Unsloth на основе предварительно обученной google/gemma-3-4b-pt. Она принимает текст и изображения и генерирует текстовые ответы. В метаданных указаны архитектура Gemma 3 с плотной моделью, библиотека Transformers и формат весов Safetensors; базовая модель имеет 4 млрд параметров по идентификатору репозитория. Для Gemma 3 заявлено контекстное окно 128 тыс. токенов и поддержка более 140 языков. Модель подходит для вопросов по изображениям, извлечения и обобщения визуальной информации, а также генерации и суммаризации текста. README описывает семейство Gemma 3 в целом, поэтому характеристики контекста и языковой поддержки относятся к семейству; эта версия обозначена как предварительно обученная, а не настроенная для следования инструкциям. Возможны фактические ошибки, пробелы и смещения, а также трудности с неоднозначными запросами и сложными задачами. Лицензия — Gemma.

GNER-LLaMA-7B — генеративная модель распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре LLaMA и предназначена для извлечения сущностей из текста, в том числе в ранее не встречавшихся предметных областях. В README сообщается о применении обучения с отрицательными примерами и результатах для вариантов GNER на LLaMA и Flan-T5; для GNER-LLaMA приведены средние F1 66,1 в режиме zero-shot и 86,09 при обучении с разметкой. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовый результат. Контекст — до 2048 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия Apache-2.0. Модель подходит для извлечения сущностей из текстов, но карточка не уточняет схему выдачи и полный перечень типов сущностей; заявленные метрики относятся к описанным в работе оценочным настройкам и не гарантируют качество на произвольных данных.

InternVL2_5-26B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она объединяет зрительный энкодер InternViT-6B-448px-V2_5 и языковую модель internlm/internlm2_5-20b-chat; каталог указывает связь с обеими базовыми моделями как merge. Модель построена по схеме ViT-MLP-LLM и использует динамическое разбиение изображений на фрагменты 448×448 пикселей для обработки в высоком разрешении. Модель предназначена для ответов на вопросы об изображениях, анализа нескольких изображений в одном запросе и понимания видео по кадрам; она также поддерживает обычный текстовый диалог. В README отмечены улучшения обучения и качества данных, а также внимание к сохранению языковых способностей. Карточка семейства указывает поддержку многоязычных данных, OCR и математических диаграмм; конкретный список языков и размер контекста для этой версии не приведены. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — MIT. Обработка высокого разрешения, нескольких изображений и видео увеличивает расход визуальных токенов; при работе с несколькими изображениями может потребоваться увеличить контекст.

Модель Impira — дообученная мультимодальная LayoutLM с архитектурой LayoutLMForSequenceClassification и 136,7 млн параметров. Она предназначена для классификации документов; в карточке указана задача text-classification, а среди примеров применения отмечены PDF и счета. Модель рассчитана на английский язык и обрабатывает последовательности длиной до 512 токенов. Модель можно применять для автоматической классификации документов и счетов в рабочих процессах разбора PDF. Она учитывает структуру документа, что полезно для задач, где важны текст и его расположение. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением на коммерческое использование. В README отмечены риски стереотипных и вредных предсказаний; сведения о данных обучения и метриках не приведены.

OwenArli разработала Formax v1.0 на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме и точного следования заданным инструкциям по формату ответа. Её можно применять для структурированной обработки данных и создания датасетов; в качестве формата хранения указаны safetensors, а длина контекста составляет 8192 токена. Модель дообучена с помощью LoRA: README указывает ранг 64, alpha 128 и примерно 2% обучаемых весов. Обучение проводилось на последовательностях длиной 4096 токенов в течение одного эпоха. Лицензия — Meta Llama 3 License; условия её использования определяются этим соглашением.

LT-NER-modernBERT — модель VSSA-SDSA для распознавания именованных сущностей в литовских текстах. Она дообучена на литовской части датасета MultiLeg на базе VSSA-SDSA/LT-MLKM-modernBERT и использует архитектуру ModernBERT с головой классификации токенов. Модель содержит 159,4 млн параметров, принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для выделения и классификации персон, организаций, мест, правовых актов, идентификационных номеров и других сущностей в юридических и официальных документах. Её можно применять для извлечения информации из правовых текстов и аналитики данных государственного и общественного секторов. В оценке на MultiLeg указаны F1 0,876 при точном совпадении и 0,908 для метрик с учётом пересечения сущностей. Модель ориентирована на литовский язык и формальный стиль: качество может снижаться на разговорной и диалектной речи. Она не предназначена для многоязычных или генеративных задач.

Masker Mini — компактный многоязычный детектор персональных данных от AMS Intelligence для локального обнаружения и маскирования PII. Это шестислойный BERT-классификатор токенов примерно на 35,6 млн параметров, полученный дистилляцией модели masker. Он размечает текст 12 типами сущностей, используя 48 BIOES-меток и метку O, и рассчитан на работу без подключения к сети на мобильных и других устройствах. Модель поддерживает 23 европейских языка. В репозитории доступны веса PyTorch fp16 и ONNX fp16, а также 4-битные варианты ONNX и Core ML; для 4-битных операций ONNX Runtime требуется версия 1.18 или новее, а Core ML-вариант предназначен для iOS 18 и macOS 15 и новее. Указанная строгая span-level F1 на синтетическом наборе openpii-1m составляет 0,965; эти результаты относятся к данным, близким к обучающим. По сравнению с полной моделью masker Mini немного хуже выявляет имена и названия мест, а также может ошибаться в границах имён на нидерландском языке. Метаданные указывают лицензию «other»; README отдельно требует сохранять атрибуцию набора данных CC-BY-4.0 и указывает, что модель masker основана на mDeBERTa с лицензией MIT.

Moderncamembert-4entities — модель распознавания именованных сущностей для французского языка, разработанная Лоиком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques. Она дообучена на базе almanach/moderncamembert-cv2-base и размечает токены как географические объекты (LOC), персон (PER), организации (ORG), прочие именованные сущности (MISC) или фоновые токены. Обучающий корпус frenchNER_4entities объединяет и очищает французские наборы данных NER; всего в нём 384 773 примера для обучения, валидации и тестирования. Модель использует архитектуру ModernBERT с классификационной головой для токенов, содержит 135,5 млн параметров и поддерживает контекст до 8192 токенов. В опубликованной оценке общий F1 составил 0,983; по классам результаты различаются — например, F1 для LOC равен 0,960, а для MISC — 0,811. Модель принимает французский текст и выдаёт метки сущностей для его токенов. Распространяется по лицензии MIT.

nesemenpolkov/msu-wiki-ner — модель для распознавания именованных сущностей в русскоязычном тексте. Автор дообучил Babelscape/wikineural-multilingual-ner на датасете RCC-MSU/collection3 для задачи классификации токенов. Модель на архитектуре BERT содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки BIO для персон, организаций и географических объектов. Модель подходит для извлечения имён людей, названий организаций и мест из русскоязычных документов. В карточке приведены результаты на валидации после трёх эпох: F1 — 0,968, точность — 0,963, полнота — 0,974. Эти показатели относятся к указанному набору данных; автор предупреждает, что на текстах на других языках качество может быть низким. Модель распространяется под лицензией, сведения о которой в предоставленных данных отсутствуют.

Это крупная модель распознавания именованных сущностей для немецкого языка, входящая в библиотеку Flair. Она размечает текст четырьмя классами сущностей: именами людей, географическими названиями, организациями и ещё одним классом, который в карточке не раскрыт. Модель основана на контекстных представлениях XLM-R на уровне документа и архитектуре FLERT; для неё заявлен F1-score 92,31 на пересмотренной немецкой версии CoNLL-03. Модель предназначена для извлечения именованных сущностей из немецких текстов и может использоваться в конвейерах обработки документов, новостей и других текстовых материалов. В метаданных указан формат PyTorch и лицензия не приведена. Результат зависит от соответствия входных текстов немецкому языку и домену обучающей выборки CoNLL-03; карточка также не раскрывает значение четвёртого тега.

tesemnikov-av/NER-RUBERT-Per-Loc-Org — русскоязычная модель распознавания именованных сущностей, созданная дообучением cointegrated/rubert-tiny. Она размечает токены в тексте тремя классами: PER для персон, LOC для мест и ORG для организаций. Модель предназначена для извлечения таких сущностей из предложений и документов на русском языке. Модель построена на архитектуре BERT и содержит 12,1 млн параметров. Максимальная длина контекста — 512 токенов; формат весов — PyTorch. Для дообучения использовались предложения из Википедии, автоматически размеченные тегами PER, LOC и ORG на основе corus/WiNER. Лицензия — MIT.