II.8Инженерия данных и аналитика

Chaiir/stylometric-mt5-v1 — дообученная Chaiir модель mT5-base для атрибуции авторства, оформленной как генерация текстовой метки по фрагменту. Это seq2seq-модель MT5ForConditionalGeneration с примерно 291,2 млн параметров; она принимает текст и должна выдавать имя автора. В карточке указана поддержка английского, французского, испанского и итальянского языков. Модель опубликована как исследовательский артефакт и отрицательный результат сравнения seq2seq-подхода с классификатором на той же задаче. По README, декодер часто выдаёт служебный токен вместо имени автора, а точность по целевым именам авторов на отложенных данных равна 0%. Поэтому модель не подходит для практической атрибуции авторства через генерацию метки; её можно использовать для анализа ошибок декодера или как дообученный текстовый энкодер после отделения декодера. Модель распространяется по лицензии Apache-2.0. Для прикладной классификации авторства README рекомендует парную модель Chaiir/stylometric-cls-v1.

koreabaseballteamgoldmedal — дообученная модель на архитектуре Wav2Vec2ForSequenceClassification, созданная на основе facebook/wav2vec2-base. Она предназначена для классификации аудио; набор данных и целевые классы в карточке не описаны. Модель содержит 113,3 млн параметров, распространяется в формате safetensors и использует лицензию Apache-2.0. В README приведены результаты оценки: accuracy 0,0442 и loss 2,6791. Эти показатели указывают на низкую точность в указанной оценке, поэтому пригодность модели для практического распознавания классов аудио не подтверждена.

trackfit-llm-large — специализированная модель deepaksamuel-cuk для восстановления прямолинейных треков частиц в одном представлении 12-слойного полосового детектора. Это плотный авторегрессионный трансформер в стиле Llama с архитектурой LlamaForCausalLM; README сообщает о 174,179,328 параметрах, тогда как метаданные указывают 164,1 млн. Модель обучена с нуля на синтетических событиях и проверена на реальных данных космических мюонов. Она принимает список идентификаторов сработавших полос и генерирует вызов gen_evt с наклоном и пересечением до трёх треков, а также списками шумовых и пропущенных попаданий. Вход кодирует слой и полосу одним целым числом от 0 до 383; x- и y-представления обрабатываются отдельно. Контекст модели — 256 токенов, язык — специализированная числовая запись событий. Модель предназначена для реконструкции треков, оценки эффективности детектора и подготовки параметров для последующего расчёта направления мюона. README приводит высокие показатели совпадения на синтетическом тесте и реальных космических мюонах; результаты относятся к описанным данным и геометрии детектора. Наклоны и пересечения выбираются из фиксированной сетки, крутые треки ограничены |наклон| ≤ 8,17, а одиночный мюон в некоторых случаях может быть ошибочно разделён на два трека. Для другой геометрии требуется переобучение; для точной оценки параметров README рекомендует дополнительную линейную подгонку. Модель распространяется под лицензией MIT.

UTR-LM MRL — неофициальная реализация модели MultiMolecule, основанная на работе Яньи Чу, Дан Ю и соавторов. Это компактная BERT-подобная модель семейства UTR-LM с 1,6 млн параметров, обученная на последовательностях 5′-нетранслируемых областей мРНК. Вариант MRL предназначен для предсказания средней загрузки рибосом по последовательности 5′ UTR; также модель поддерживает заполнение маскированных участков последовательности. Модель работает с последовательностями нуклеотидов РНК, преобразует T в U токенизатором и принимает последовательности длиной до 1026 токенов. Обучение проводилось на данных из Ensembl и исследований по инженерии 5′ UTR и измерению трансляции, включая данные человека, крысы, мыши, курицы и данио-рерио. Модель распространяется под лицензией AGPL-3.0. Это неофициальная реализация; разработчики карточки предупреждают, что не могут подтвердить совпадение промежуточных представлений с оригинальной моделью. Для токенной классификации или регрессии потребуется дополнительное дообучение.

ImmunoMatch-λ — модель Fraternalilab для изучения предпочтений спаривания тяжёлых и лёгких цепей антител. Это вариант ImmunoMatch, дообученный на AntiBERTa2-CSSP и обученный на антителах с лёгкими цепями типа λ. Модель принимает пару аминокислотных последовательностей доменов VH и VL и предназначена для классификации, связанной с совместимостью или предпочтениями спаривания цепей. Модель построена на RoFormer, содержит 268,5 млн параметров и имеет контекстное окно 256 токенов. Для запуска используются веса PyTorch. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

MIST-mixtures-zffffbex — модель Electrochemical Energy Group Мичиганского университета для предсказания свойств бинарных молекулярных смесей. Это дообученный вариант MIST-28M: энкодер RoBERTa-PreLayerNorm с 8 слоями, размером скрытого состояния 512, 8 головами внимания и максимальной длиной последовательности 2048 токенов объединён с регрессионной сетью на основе MLP. Модель принимает SMILES двух соединений, их мольные доли и температуру и предсказывает плотность, молярную энтальпию и молярный объём, включая линейный и избыточный вклады. Модель предназначена для оценки свойств бинарных смесей в зависимости от состава и температуры. Обучение проводилось на данных о смесях, собранных из научной литературы; указано 888 045 наблюдений для 715 молекул и 1 519 уникальных бинарных смесей. Основной язык здесь не определяет назначение: входы представлены SMILES и числовыми параметрами, а выходы — числовые прогнозы. Лицензия — GPL-3.0; README также заявляет исследовательское использование и указывает, что коммерческое применение требует отдельного лицензионного соглашения.

nanoBERT — специализированный трансформер компании Natural Antibody для предсказания аминокислоты в заданной позиции последовательности нанотела. Модель обучена на последовательностях нанотел из INDI (Integrated Nanobody Database for Immunoinformatics) и использует архитектуру RoBERTa с языковой моделью для заполнения маски. В репозитории указаны веса PyTorch; размер модели — 20,2 млн параметров, контекст — 202 токена. Модель подходит для анализа последовательностей нанотел и оценки возможных аминокислот в выбранной позиции. Она предназначена для биоинформатических и исследовательских сценариев, связанных с нанотелами. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных на тех же условиях и не допускает коммерческое использование. Карточка не описывает точность предсказаний и ограничения применения.

plant-dnabert-6mer — модель семейства BERT, разработанная zhangtaolab для работы с последовательностями ДНК растений. Она предварительно обучена на референсных геномах растений; для токенизации используется BPE-токенизатор со словарём из 8000 токенов. Модель содержит 116,4 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для анализа геномных последовательностей, в частности для предсказания замаскированных фрагментов ДНК. В README описана серия моделей на разных архитектурах; эта модель использует архитектуру BERT с классом BertForMaskedLM. Указанный в README метод предобучения CausalLM расходится с архитектурой и задачей fill-mask в метаданных, поэтому основное назначение здесь определено по метаданным. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, ограничивает коммерческое использование и распространяет условия лицензии на производные материалы. Модель специализирована на ДНК растений; её пригодность для других организмов или задач не подтверждена предоставленными данными.

qwrt/Swedish0.1M — экспериментальная символьная языковая модель на архитектуре Qwen3, разработанная автором репозитория. Она обучена продолжать последовательности шведского текста, предсказывая следующий байт, а не фрагмент слова. В README указано около 133 тысяч параметров и обучение на примерно 7 миллиардах символов; метаданные каталога указывают 157,7 тысячи параметров, контекст 1024 токена и формат safetensors. Модель подходит для экспериментов с генерацией шведского текста на уровне символов и изучения компактных языковых моделей. Автор сообщает точность предсказания следующего символа 59% на отрывке из сказки «Красная Шапочка и волк» и оценивает словарный запас модели примерно в 5000 шведских слов. По оценке автора, модель слабо генерирует связный текст. Лицензия — Apache-2.0.

Swedish1M — небольшая языковая модель от автора репозитория qwrt, построенная на архитектуре Qwen3 и обученная на корпусе шведских книг. В README указано 1,1 млн параметров, а в метаданных Hugging Face — 1,3 млн; использует побайтовую UTF-8-токенизацию и работает с контекстом до 1024 токенов. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для экспериментов с предсказанием следующих байтов шведского текста, оценки его предсказуемости и изучения влияния длительного обучения на маленькую модель. Автор предупреждает, что из-за малого размера модель не предназначена для генерации осмысленного текста. README также отмечает, что после контекста в 1024 токена генерация становится бессмысленной.

oxidize-trader-7m — небольшая языковая модель на базе GPT-2, созданная автором с нуля с помощью oxidize-training на C и OpenBLAS. Веса содержат 7,43 млн параметров; архитектура включает 8 слоёв, 8 голов внимания, ширину 256, словарь из 4096 токенов и контекст до 256 токенов. Модель доступна в формате safetensors с весами F32 и предназначена для генерации текста в формате биржевых тикетов с новостями и метками BUY, SELL или HOLD. Автор описывает её как исследовательский эксперимент и прямо предупреждает, что она не является рабочей моделью для выбора акций. В показанном запуске модель выдала BUY для всех 20 тикеров, поэтому её прогнозам нельзя доверять для принятия инвестиционных решений или управления реальными деньгами. Для загрузки указаны Transformers и AutoModelForCausalLM; также включены файлы для запуска в Oxidize-c. Лицензия — Apache-2.0.

breadlicker45/musenet-untrained — незавершённая для использования модель на архитектуре BigBird с 1,8 млрд параметров. Репозиторий предназначен для обучения модели, а не для генерации осмысленных ответов. Модель использует PyTorch и поддерживает контекст до 4096 токенов. В карточке указана задача text-generation, однако README предупреждает, что веса не обучены и без обучения модель не будет выполнять полезные задачи. Лицензия в доступных данных не указана.

Silbe-small — небольшая авторегрессионная языковая модель на 20,45 млн параметров, созданная с нуля автором репозитория aamirabbas858. Модель имеет стандартную decoder-only архитектуру Transformer: 8 слоёв, 8 голов внимания и ширину 384; контекст составляет 256 токенов. Она обучена на 531 МБ очищенного текста немецкой Википедии без предобученных весов, дообучения и дистилляции. Модель предназначена для демонстрации влияния токенизатора и небольших экспериментов с генерацией немецкого текста, а не для прикладного использования. Silbe-small генерирует текст на немецком языке и может воспроизводить некоторые грамматические закономерности, например согласование падежей и порядок слов в придаточных предложениях. При этом сгенерированный текст не следует считать осмысленным или фактически достоверным: модель не подходит для диалога, ответов на вопросы, рассуждений и следования инструкциям. Опубликованный вариант использует MLX и рассчитан на Apple Silicon; веса хранятся в формате safetensors. Лицензия репозитория — Apache-2.0, а использованный корпус немецкой Википедии распространяется по CC BY-SA.

NuExtract3-W4A16 — это квантизированный вариант NuExtract3, разработанный компанией NuMind. Модель представляет собой унифицированную vision-language модель с примерно 4 млрд параметров для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их комбинацию. Для структурированного извлечения используются JSON-шаблон и инструкции, на выходе формируется JSON; также возможна генерация шаблонов по естественно-языковому запросу или содержимому документа. Модель предназначена для обработки счетов, чеков, форм, договоров, таблиц, сканов и других документов, включая сценарии OCR, подготовки данных для RAG и построения extraction-пайплайнов. Поддерживаются многоязычные документы, режимы вывода с рассуждением и без него, а также преобразование документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Сильными сторонами являются сочетание визуального понимания, OCR, рассуждений и структурированного вывода, а также пригодность для документов со сложной компоновкой, множеством изображений и большим объемом извлекаемых данных. В опубликованном внутреннем тесте NuMind модель NuExtract3.4_4B-RL получила средний балл 0,651 и показала более высокие результаты, чем перечисленные в сравнении модели. Ограничения включают возможные ошибки JSON-сериализации, зацикливание рассуждений у небольших моделей и зависимость качества от сложности документа и объема контекста; конкретный максимальный размер контекста для данной версии не указан. Модель распространяется по лицензии Apache-2.0.

NVIDIA Nemotron Parse 2.0 — разработанная NVIDIA мультимодальная модель для преобразования изображений документов в структурированное представление. Это модель типа vision encoder–decoder: визуальный энкодер ViT-H на основе NVIDIA C-RADIO передаёт признаки через адаптер на декодер mBART из 10 блоков. На вход подаются RGB-изображение документа и текстовый запрос; на выходе — текстовая строка с распознанным содержимым, классами элементов, координатами рамок и порядком чтения. Модель предназначена для OCR и анализа сканов или отрисованных PDF, слайдов, форм, отчётов, таблиц и смешанных страниц. Она поддерживает многоязычное распознавание, включая китайские, японские и корейские тексты, а также индийские письменности; улучшена работа с рукописным текстом, таблицами и преобразованием диаграмм в структурированный текст. Результаты можно использовать для поиска по документам, извлечения данных, аналитики, подготовки обучающих данных и проверки человеком. В репозитории доступны варианты постобработки таблиц в LaTeX, HTML, Markdown, JSON и CSV. Модель можно запускать через Transformers или vLLM; она оптимизирована для систем с GPU NVIDIA. Лицензия модели — OpenMDW-1.1; README заявляет возможность коммерческого и некоммерческого использования. Лицензия токенизатора — CC-BY-4.0. В карточке не приведены число параметров и длина контекста, поэтому они здесь не указаны.

Granite Vision 4.1 4B — компактная визуально-языковая модель IBM Research для извлечения структурированных данных из изображений документов и графиков. Архитектура Granite4 Vision объединяет языковую модель на 3,4 млрд параметров и визуальный энкодер с проекторами на 0,6 млрд параметров; модель дообучена на Granite-4.1-3B. Она принимает изображения и текстовые инструкции, а ответы формирует в текстовом виде, включая CSV, HTML, JSON, OTSL, код Python и описания на естественном языке. Модель предназначена прежде всего для преобразования графиков в данные, код или краткие описания, извлечения таблиц со сложной структурой и поиска семантических пар «ключ—значение» в документах с разной вёрсткой. Её также можно применять для описания изображений и в конвейерах обработки документов, в том числе с Docling. Карточка сообщает о 94,2% точности exact match на VAREX в zero-shot режиме; это результат конкретного бенчмарка и не гарантия для других данных. Модель разработана для специализированного извлечения информации и может хуже справляться с открытыми задачами по изображениям. Генеративные ответы могут содержать ошибки, поэтому их следует проверять, особенно в важных процессах. Инструкции обучения были на английском, и качество на документах на других языках может быть ниже. Лицензия — Apache 2.0.

lift — модель Datalab для извлечения структурированных данных из PDF-документов и изображений. Она принимает документ и заданную пользователем JSON-схему, а затем формирует соответствующий ей JSON с помощью декодирования, ограниченного схемой. Модель основана на плотной архитектуре Qwen3.5 и содержит 9 млрд параметров; поддерживает обработку многостраничных документов за один проход. Модель предназначена для извлечения полей из документов, включая значения, распределённые между страницами, и может использоваться локально через Hugging Face Transformers или vLLM. В описанном Datalab тесте на 225 документах точность отдельных полей составила 90,2%; результат и задержка зависят от документа и оборудования. Веса распространяются по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и использование стартапами с финансированием или выручкой менее 5 млн долларов; конкурентное использование API запрещено. Для более широкого коммерческого применения требуется отдельное лицензирование.

Карточка модели bibek32/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

NVIDIA Nemotron Parse v1.1 TC — модель NVIDIA для понимания структуры документов и извлечения текста и таблиц из изображений страниц PDF и PPT. Она формирует упорядоченные по ходу чтения структурированные результаты: текст, семантические классы элементов и ограничивающие рамки. Модель предназначена для построения поисковых и кураторских систем, подготовки данных для обучения LLM и VLM, а также повышения точности конвейеров понимания документов. Архитектура включает vision-encoder-decoder на базе ViT-H, адаптер с 1D-свёртками и нормализацией и декодер mBART из 10 блоков. Сжатие представления зрения сокращает последовательность с 13 184 до 833 токенов; по README, это даёт ускорение на 20% относительно Nemotron Parse v1.1. Модель также сохраняет порядок таблиц, подписей, изображений и сносок. Для работы с таблицами и текстом предусмотрена постобработка в форматах LaTeX, HTML, Markdown или обычного текста. Модель рассчитана на коммерческое использование; лицензия репозитория указана как other, а лицензия токенизатора — CC-BY-4.0. В описании не приведены число параметров и перечень поддерживаемых естественных языков. Качество извлечения может зависеть от сложности и вариативности макета документа; конкретные ограничения и метрики качества в карточке не описаны.

CodeQwen1.5-7B-Chat-GGUF — специализированная языковая модель для работы с программным кодом, основанная на Qwen1.5 и разработанная командой Qwen. Это трансформерная decoder-only модель, предварительно обученная на примерно 3 триллионах токенов кода. Представленная версия распространяется в формате GGUF с несколькими уровнями квантования, включая q2_k, q3_k_m, q4_0, q4_k_m, q5_0, q5_k_m, q6_k и q8_0, что позволяет выбирать баланс между качеством, размером файла и требованиями к ресурсам. Модель предназначена для генерации и понимания кода, исправления ошибок, задач text-to-SQL и диалогового взаимодействия по вопросам программирования. Она поддерживает контекст длиной до 64K токенов, 92 языка программирования и использует Group Query Attention (GQA) для более эффективного вывода. К сильным сторонам относятся специализация на коде, заявленная конкурентоспособность на ряде бенчмарков и поддержка длинного контекста. Ограничения включают зависимость качества и скорости от выбранного уровня квантования, а также необходимость запуска через совместимое программное обеспечение, например llama.cpp. Модель распространяется по лицензии tongyi-qianwen; точные условия следует уточнять в файле лицензии репозитория.

MinerU2.5-Pro-2604-1.2B — модель Op enDataLab для разбора документов и преобразования PDF в структурированный Markdown. Она принимает изображения страниц и текстовые запросы, а выдаёт текст с распознанной структурой документа; предназначена для подготовки данных для LLM и систем RAG. В README заявлены разбор таблиц, формул, изображений и диаграмм, объединение оборванных абзацев и распознавание изображений внутри таблиц. В карточке указана архитектура Qwen2-VL, библиотека Transformers, контекст 32 768 токенов и размер 494 млн параметров. README описывает обучение на корпусе из 65,5 млн страниц и сообщает результаты на OmniDocBench v1.6; это заявления авторов, а не независимая оценка. Лицензия — Apache-2.0. README отмечает, что объединение таблиц между страницами ещё интегрируется. Хотя название модели и README указывают на архитектуру 1,2B, метаданные каталога сообщают 494 млн параметров; эти сведения расходятся.

Карточка модели zenosai/MonkeyOCRv2-AS на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Модель shahrukhx01/paraphrase-mpnet-base-v2-fuzzy-matcher — сиамская архитектура на основе MPNet, обученная на символьных токенах для нечеткого сопоставления текстов по эмбеддингам. Её можно использовать через библиотеку Sentence-Transformers. Модель предназначена для поиска похожих строк и записей, разрешения сущностей и связывания записей, в том числе в структурированных данных. Она принимает текст и выдаёт эмбеддинги, которые можно сравнивать для оценки сходства. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. В карточке не приведены результаты оценки качества или подробные сведения о данных обучения. Лицензия в доступных данных не указана.

Schematron-3B — специализированная модель Inference.net для извлечения структурированных данных из HTML. Это дообученная плотная авторегрессионная модель семейства Llama на 3,2 млрд параметров, доступная в формате safetensors и работающая через Transformers. Она принимает HTML-страницу и JSON Schema и генерирует JSON, соответствующий заданной схеме; заявленное контекстное окно — до 131 072 токенов. Модель предназначена для веб-скрейпинга, загрузки данных и преобразования содержимого страниц в структурированные записи, а также может использоваться как этап конвейера поиска и синтеза ответов. Разработчик рекомендует очищать HTML от скриптов и стилей, задавать явные описания неоднозначных полей и проверять результат по схеме. Модель обрабатывает статический HTML: динамический контент следует предварительно отрендерить, а очень большие страницы могут потребовать усечения. Лицензия — Llama 3.2; применяйте её на условиях этой лицензии.

Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.

Chandra OCR 2 — модель оптического распознавания документов от Datalab на архитектуре Qwen 3.5. Она принимает изображения и PDF и преобразует их в Markdown, HTML или JSON с сохранением структуры и расположения элементов страницы. Модель рассчитана на извлечение текста, в том числе рукописного, разбор таблиц, математических выражений, форм и документов со сложной или многоколоночной вёрсткой; также она извлекает изображения и диаграммы и формирует подписи и структурированные данные. В карточке заявлена поддержка более 90 языков. Среди сильных сторон — распознавание таблиц, мелкого текста, рукописного ввода и сложных макетов; опубликованы результаты собственных оценок на olmOCR Bench и многоязычных тестах. Модель распространяется в формате safetensors для Transformers. Код проекта лицензирован Apache 2.0, но веса — по изменённой лицензии OpenRAIL-M: бесплатное использование ограничено исследовательскими и личными целями, а также стартапами с финансированием или выручкой менее 2 млн долларов; конкурентное использование относительно API запрещено, для более широкого коммерческого применения требуется отдельная лицензия.

lt-wikidata-comp-es — модель семейства LinkTransformer, разработанная исследователями Harvard для сопоставления записей и сущностей. Она дообучена на базе hiiamsid/sentence_similarity_spanish_es на псевдонимах компаний из Wikidata и предназначена для кластеризации, дедупликации, связывания и объединения записей. Модель также подходит для оценки сходства предложений и семантического поиска на испанском языке. В основе — BERT с Sentence Transformers: среднее объединение токенных представлений формирует плотный вектор размерности 768. Модель имеет 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в доступных материалах не указана.

NuExtract 2.0 4B — мультимодальная модель для извлечения структурированных данных, разработанная NuMind и дообученная на базе Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а запрос задаётся JSON-шаблоном с названиями полей и типами ожидаемых значений: строки, числа, даты, перечисления и массивы. Если нужные сведения не найдены, модель может вернуть null или пустой массив. Модель подходит для извлечения фактов из документов и изображений, заполнения заданных схем, а также генерации шаблонов извлечения по примерам или описанию на естественном языке. Семейство заявлено как многоязычное; архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам. Размер составляет 3,1 млрд параметров, контекст — до 128 000 токенов. Для извлечения README рекомендует температуру, близкую к нулю; примеры в контексте могут помочь при неоднозначных задачах и требованиях к формату. В метаданных указана лицензия MIT, однако README для версии 4B указывает Qwen Research License, поэтому условия использования следует сверить с лицензией репозитория и базовой модели перед применением, особенно в коммерческих сценариях. Качество может снижаться на сложных или неоднозначных запросах; README не приводит подробных количественных результатов бенчмарка.

PEARL-base — модель векторных представлений фраз и строк, разработанная Lihu Chen, Gaël Varoquaux и Fabian M. Suchanek. Это дообученная версия E5-base, созданная для сравнения строк по смыслу и поиска совпадений, в том числе при различиях в написании. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и преобразует фразы в эмбеддинги; заявленная длина контекста — 512 токенов. PEARL учитывает тип фразы и морфологические признаки, что помогает при нечетком сопоставлении, поиске сущностей и кластеризации. README приводит результаты бенчмарков для этих сценариев и примеры расчета сходства между строками. Модель ориентирована на английский язык. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она предназначена для построения эмбеддингов и сама по себе не генерирует текст.