Разбор текстаRU2026
Liquid AI · США
Маленькие модели решений: по тексту, картинке или голосовой записи отвечают «да или нет», выбирают вариант или ставят оценку за один проход, текст не пишут. d1-3B видит картинки, d1-omni-600M ещё и слышит речь до 30 секунд. Русский заявлен. Открытые d1-2B (текст, картинки и видео, на базе LFM3-VL-2B) и d1-Omni-2B (ещё и звук) решают за миллисекунды, по замерам авторов 5,7 мс на H100; кроме выбора ответа они вытаскивают текст, числа и даты с позициями и находят объекты на картинке. Это не чат-модель.
- сортировка обращений и заявок по отделам
- проверка фото на браке или нарушении по списку вопросов
- маршрутизация голосовых команд
- Размеры
- 600M, 2B и 3B
- Железо
- от: Ноутбук
Разбор текстаRU2026
проект vLLM Semantic Router · международный проект
Открытое семейство моделей для ИИ-шлюза: на запрос отвечают вероятностями, не генерируя текст. Определяют тему и срочность, попытку взлома, вредный запрос, персональные данные, нужен ли инструмент. Малые версии работают на процессоре, Vela понимает 17 языков, включая русский. Новая d3 (27B) читает ещё и несколько картинок и видео, а d3-turbo, по оценке самих авторов, точнее её на 4 пункта в тексте. Самая новая в линейке d3-ultra вышла 24 октября.
- маршрутизация запросов между моделями и командами
- проверка запроса на попытку взлома и вредное содержание до основной модели
- поиск персональных данных с координатами в тексте
- Размеры
- 0.3B – 27B
- Железо
- от: Ноутбук
Медицина2026
Hugging Face (HuggingFaceBio) · США
Открытая языковая модель на 14.8B для работы с ДНК, построенная на Qwen3-14B. Вы присылаете сырую последовательность прямо в обычном чате, а она отвечает по-английски: оценивает, безвредна мутация или болезнетворна, находит участки, управляющие работой генов, относит последовательность к группе организмов, предсказывает следующие основания и объясняет ход мысли. ДНК и текст идут одним потоком, ДНК кодируется шестёрками оснований. По тестам авторов, на пяти наборах она набирает 66,7% без рассуждения, на 27 пунктов выше Qwen3-14B, и по стоимости примерно в 1800 раз дешевле GPT-6.1 Sol при близком результате. Влезает на одну видеокарту на 80 ГБ, так что чувствительные данные можно оставить у себя. Вирусные данные из обучения исключены из-за рисков. Выводы расчётные и не заменяют лабораторную проверку.
- оценка вариантов ДНК: безвредный или болезнетворный
- поиск участков, управляющих активностью генов
- исследовательский помощник для биологов на своём сервере
- Размеры
- 14.8B
- Железо
- от: 1 видеокарта
Разбор текста2026
Contrastive-LM (по анонсу: Стэнфорд совместно с NVIDIA) · США
Открытая модель быстрого выбора для агентов: получает описание ситуации и набор вариантов и возвращает вероятность каждого, не генерируя текст. Умеет решать «да или нет», выбирать из списка и ставить оценку по шкале. Действия и состояние кодируются отдельно, поэтому векторы действий можно посчитать заранее: по замерам авторов, при выборе из примерно тысячи вариантов она до 13 раз быстрее аналога Jev. После дообучения работает проверяющим, который выбирает лучшее из нескольких решений кодового агента (DeepSWE 81,6%, Terminal-Bench 2.1 87,6% по их замерам). Нужны Linux, видеокарта NVIDIA и Qwen3-8B в vLLM, язык карточки английский.
- быстрый выбор следующего действия агента из заданных вариантов
- проверка и ранжирование нескольких решений кодового агента
- маршрутизация обращений: отдел, срочность, оценка по шкале
- Размеры
- 8B (замороженный Qwen3-8B плюс две небольшие проекционные головы)
- Железо
- от: 1 видеокарта
Текст2026
jialinyyzz (sgaofen) · не указана
Модель на 12B, которая переписывает черновики, написанные ИИ, чтобы они читались как человеческие: письма, эссе, отчёты, посты на форумах. Обучена сохранять все числа, единицы, даты, имена и цитаты и ничего не добавлять. Работает на своём компьютере, есть готовое приложение для Mac и Windows, которое работает без интернета, и файлы GGUF разной степени сжатия для llama.cpp. Заявленные языки: английский и китайский, русский не заявлен. По замерам автора, детектор Originality.ai признал человеческими 95% английских переписанных текстов. Результат всё равно нужно перечитывать, особенно числа и имена.
- переписывание черновиков писем и отчётов, чтобы текст звучал естественнее
- правка текстов после ИИ без потери чисел, дат и цитат
- локальная обработка текстов, которые нельзя отправлять в облако
- Размеры
- 12B
- Железо
- от: Ноутбук
Разбор текста2026
Tencent Hunyuan · Китай
Модель, которая ведёт долгую память ИИ-агента: решает, что из переписки, рабочих задач или кода стоит запомнить, в каком виде, и как новые сведения меняют уже сохранённое. Заменяет универсальную модель внутри систем памяти Mem0, MemOS и собственной Hy-Memory. Языки в карточке: английский и китайский. Цифры по тестам приведены самой Tencent.
- память ассистента о клиенте между разговорами
- запоминание хода работы над проектом и кода
- обновление сохранённых сведений при новых данных вместо дублей
- Размеры
- 30B-A3B
- Железо
- от: 1 видеокарта
Разбор текста2026
Mistral AI · Франция
Быстро определяет язык и диалект текста в арабской графике: современный литературный арабский, все диалекты и 51 класс в целом. Различает близкие языки на той же письменности (персидский, урду, пушту и другие), чтобы текст не считался арабским только из-за букв. Работает на процессоре.
- определение диалекта в обращениях клиентов на арабском
- сортировка текстов по языкам на арабской графике
- подготовка данных для обучения и поиска
- Размеры
- модель fastText с калибровкой, число параметров не указано
- Железо
- от: Ноутбук
Разбор текста2026
Шанхайская лаборатория искусственного интеллекта · Китай
Модель решений на базе Qwen3.5-4B: по тексту и картинкам отвечает вероятностями на все вопросы о ситуации за один проход, без генерации текста. Подходит для маршрутизации заявок и оценки срочности.
- сортировка заявок по отделам
- оценка приоритета и срочности обращений
- проверка по фото, всё ли в порядке
- Размеры
- 4B
- Железо
- от: Ноутбук
Разбор текста2026
AutoTrust AI · Сингапур
Открытые модели решений: на вопросы «да или нет», «выбери вариант», «оцени от 0 до 5» отвечают вероятностями за один проход, а при нужде ещё и рассуждают. Не связаны с закрытой Jev от TypeSafe.
- сортировка заявок и обращений по отделам
- проверка действия агента перед выполнением
- оценка срочности и тональности сообщений
- Размеры
- 9B – 35B
- Железо
- от: 1 видеокарта
Разбор текста2026
Perplexity · США
Модель решений на базе Qwen3.8-27B: выбирает вариант, отвечает «да или нет» или ставит оценку и возвращает калиброванные вероятности. Понимает и картинки.
- маршрутизация обращений по командам
- проверка ответов ИИ на соответствие источникам
- оценка тональности и срочности писем
- Размеры
- 27B
- Железо
- от: 1 видеокарта
Разбор текста2026
Supersonic Labs · не указана
Совсем маленькая модель решений: по тексту, вопросу и вариантам ответа выбирает один вариант, ставит оценку или отвечает «да или нет». Работает на обычном процессоре и в браузере.
- маршрутизация обращений по темам
- определение тональности отзывов
- быстрая классификация заявок
- Размеры
- 144M
- Железо
- от: Ноутбук
Разбор текстаOllama2026
Cloudflare · США
Модели решений: не пишут текст, а читают ситуацию (текст, JSON, картинку, кадры видео, а у Clef-Omni ещё и звук) и за один проход возвращают вероятность каждого варианта ответа на типизированные вопросы «да или нет», «выбери один» и «оцени по шкале». Вместо разбора свободного текста агент получает готовые числа.
- сортировка обращений и заявок по категориям с вероятностью
- проверка документа или фото по списку вопросов (всё ли указано, есть ли нарушение)
- выбор следующего шага агентом без разбора текстового ответа
- Размеры
- 27B, 9B (Clef-flash) и 30B-A3B (Clef-Omni)
- Железо
- от: Ноутбук
Модерация и безопасность2026
Perplexity · США
Маленькая открытая модель, которая находит в тексте персональные данные (имена, телефоны, адреса, почту, номера счетов, секреты) и позволяет замаскировать их до отправки в облако. Контекст 4096 токенов.
- маскирование персональных данных в диалогах
- проверка текста перед отправкой во внешнюю нейросеть
- поиск утечек секретов и ключей
- Размеры
- 0,6B
- Железо
- от: Ноутбук
Разбор текстаRU2026
Tvoy_Tezka (failed09) · не раскрыта
Небольшой набор инструментов для башкирского текста: языковая модель с заполнением пропусков, определитель башкирского языка, эмбеддинги fastText, оценщик пар с русским и восстановление башкирских букв. Всё это выложено осенью 2026 года, качество надо проверять на своих данных.
- Проверка орфографии и подсказка слов на башкирском
- Отделение башкирских текстов от чужих
- Восстановление специфических букв в тексте
- Размеры
- 50M у BashkirRoBERTa
- Железо
- от: Ноутбук
Разбор текста2026
FlowX.AI · США и Румыния
Семейство небольших моделей, которые вытаскивают из банковских и страховых текстов суммы, стороны сделки, юрисдикции, счета и упоминания из санкционных проверок. Решение по спорной операции принимает человек, автоматическая блокировка без проверки недопустима.
- Извлечение сумм, сторон и юрисдикций из описаний операций
- Разбор материалов проверки клиента и санкционных списков
- Разметка номеров счетов и реквизитов в документах
- Размеры
- около 150M (на базе ModernBERT-base)
- Железо
- от: Ноутбук
Разбор текстаGGUF2026
FlowX.AI · США и Румыния
Небольшие модели банковской компании, которые разбирают текст сообщения в SMS, письме или чате и объясняют, какой приём мошенника в нём использован. Решение по спорной операции принимает человек, автоматическая блокировка без проверки недопустима.
- Разметка входящих сообщений с признаками обмана
- Объяснение, по какой фразе сработала подсветка
- Фильтрация писем и сообщений до передачи оператору
- Размеры
- 0.6B – 1.7B
- Железо
- от: Ноутбук
Разбор текста2024–2026
Урчаде Заратиана и Fastino AI · Франция / США
Находит в тексте нужные сущности без обучения: просто перечисляете, что искать (имя, сумма, дата). GLiNER2 заодно классифицирует текст. Многоязычные версии понимают русский.
- Извлечение имён, сумм и дат из писем и договоров
- Разбор заявок на поля CRM
- Классификация обращений по темам
- Размеры
- около 50M – 500M
- Железо
- от: Ноутбук
ПереводRU2022–2026
SLONE (David Dale, Айгиз Кунафин и другие) · не раскрыта
Сообщество, которое достраивает NLLB и mBART под малоресурсные языки. В моделях есть эрзянский, тувинский, башкирский, татарский, чувашский, бурятский, марийский, хакасский и карачаево-балкарский. Качество по языкам разное, проверять надо на своих текстах.
- Перевод с русского на национальный язык и обратно
- Подготовка двуязычных материалов и вывесок
- Поиск соответствий в параллельных текстах
- Размеры
- 42M у компактных энкодеров, 620M – 758M у переводчиков
- Железо
- от: Ноутбук
Модерация и безопасность2024–2026
Сообщество GLiNER (Fastino, Knowledgator, NVIDIA и др.) · США
Маленькие модели на основе GLiNER для поиска персональных данных: паспортов, телефонов, счетов, адресов. Типы данных задаются словами. Русский официально не заявлен.
- Маскирование персональных данных перед облачным ИИ
- Поиск паспортных данных и реквизитов в документах
- Проверка выгрузок на утечки
- Размеры
- около 200M – 500M
- Железо
- от: Ноутбук
ТекстRU2024–2026
Иван Бондаренко (bond005), НГУ · Россия
Русскоязычные модели для работы с документами, а не для болтовни: ответы по базе знаний, извлечение сущностей и фактов из текста на русском, длинный контекст.
- Ответы на вопросы по внутренним документам
- Извлечение имён, дат и сумм из договоров
- Краткое изложение длинных текстов на русском
- Размеры
- 1.5B – 7.6B
- Железо
- от: Ноутбук
Разбор текстаOllama2024–2026
NuMind · Франция
Модели для извлечения данных по шаблону: даёте документ или скан и JSON-шаблон полей, получаете заполненный JSON. NuExtract3 (4B) заодно переводит сканы в Markdown.
- Извлечение реквизитов, сумм и дат из счетов и договоров в JSON
- Разбор чеков, накладных и анкет по заданному шаблону
- Перевод сканов в Markdown для поиска
- Размеры
- 0.5B – 8B
- Железо
- от: Ноутбук
Модерация и безопасность2026
OpenAI · США
Находит и скрывает персональные данные: имена, адреса, телефоны, почту, номера счетов, пароли. Работает даже в браузере. Обучена в основном на английском.
- Очистка текста от персональных данных перед отправкой в облачный ИИ
- Поиск паролей и ключей в текстах
- Обезличивание переписки для аналитики
- Размеры
- 1.5B (50M активных)
- Железо
- от: Ноутбук
Разбор текстаRU2026
Tatar NLP Community · не раскрыта
Свежий набор моделей для татарского языка: разбор слов по морфологии на нескольких базах, вопросы и ответы по татарским и русским топонимам, дообучения Mistral и GPT-2 под татарский.
- Морфологический разбор татарских текстов
- Поиск ответов по названиям мест
- Генерация текста на татарском
- Размеры
- 178M у моделей морфологии, 7B у дообучения Mistral
- Железо
- от: Ноутбук
Детекция подделок2023–2025
IBM Research и The Chinese University of Hong Kong · США
Детектор ИИ-текста, обученный вместе с перефразировщиком: его специально учили не сдаваться, когда текст переписали своими словами. Ошибается в обе стороны, вывод проверяет человек.
- Проверка текстов, которые могли переписать после генерации
- Предварительный отсев в редакции или приёмной комиссии
- Сравнение с более простыми детекторами
- Размеры
- около 355M (RoBERTa-large)
- Железо
- от: Ноутбук
Разбор текстаRUGGUF2025
Университет Джонса Хопкинса (JHU CLSP) · США
Многоязычный энкодер, обученный более чем на 1800 языках. В список входят татарский, башкирский, чувашский, удмуртский, бурятский, коми, ингушский и другие языки народов России. Основа для классификаторов и поиска по таким текстам.
- Классификация обращений и документов на национальных языках
- Поиск по смыслу в текстах на редких языках
- Извлечение имён, дат и названий из текста
- Размеры
- 140M и 307M
- Железо
- от: Ноутбук
Разбор текста2023–2025
University of Texas at Arlington · США
Классификатор из исследования IEEE S&P: отделяет обычные запросы к языковой модели от запросов, которыми заказывают текст и страницу для обмана людей. Решение по спорной операции принимает человек, автоматическая блокировка без проверки недопустима.
- Разметка запросов к ассистенту, похожих на подготовку обмана
- Проверка текстов рассылок перед отправкой
- Наполнение внутренних правил фильтрации примерами
- Размеры
- около 125M (на базе RoBERTa-base)
- Железо
- от: Ноутбук
Поиск и RAGGGUF2024–2025
TechWolf · Бельгия
Модель бельгийской HR-компании: превращает названия должностей в векторы, чтобы находить похожие вакансии и резюме. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Сопоставление названий должностей из разных источников
- Поиск похожих вакансий и резюме по смыслу
- Наведение порядка в справочнике должностей компании
- Размеры
- 109M – 278M
- Железо
- от: Ноутбук
Разбор текстаRU2023–2025
deepvk (VK) · Россия
Русские энкодеры от команды VK: RuModernBERT читает длинные тексты, USER даёт векторы для поиска, GeRaCl классифицирует тексты по темам без обучения.
- Классификация обращений без размеченных данных
- Поиск по базе знаний на русском
- Разбор длинных договоров
- Размеры
- 35M – 360M
- Железо
- от: Ноутбук
Детекция подделок2025
Desklib · Индия
Свежий открытый детектор ИИ-текста на DeBERTa-v3-large, обучен на наборе RAID; есть отдельная версия под учебные работы. Ошибается в обе стороны — итог всегда проверяет человек.
- Проверка присланных статей и отчётов
- Отсев шаблонных отзывов и откликов
- Предварительная проверка учебных работ
- Размеры
- 0,4B (DeBERTa-v3-large)
- Железо
- от: Ноутбук
Поиск и RAG2025
Авторы статьи CareerBERT, немецкие университеты · Германия
Немецкоязычная модель, которая сопоставляет резюме с профессиями из европейского справочника ESCO и подсказывает подходящие направления. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Подбор профессий под опыт кандидата
- Сопоставление резюме и описаний вакансий
- Подсказки по карьерным переходам внутри компании
- Размеры
- 110M
- Железо
- от: Ноутбук
Разбор текстаGGUF2024–2025
Answer.AI и LightOn · США / Франция
Современная замена классическому BERT: быстрее, читает до 8 тысяч токенов за раз. Основа для своих классификаторов. Обучена на английском и коде, для русского есть RuModernBERT.
- Классификация обращений и документов
- Поиск нужных фрагментов в длинных текстах
- Основа для своего классификатора после дообучения
- Размеры
- 150M – 395M
- Железо
- от: Ноутбук
Разбор текстаRUOllama2024–2025
Jina AI · Германия
Маленькие модели, которые превращают сырой HTML веб-страниц в чистый Markdown или JSON. Удобно готовить сайты для базы знаний. Лицензия только некоммерческая.
- Очистка страниц сайтов для базы знаний
- Извлечение данных со страниц в JSON
- Подготовка текстов для RAG
- Размеры
- 0.5B – 1.5B
- Железо
- от: Ноутбук
Поиск и RAG2024
TechWolf · Бельгия
Находит в тексте вакансии или резюме упоминания навыков и сопоставляет их со справочником компании. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Извлечение навыков из описания вакансии
- Сопоставление навыков кандидата с требованиями
- Карта компетенций по подразделениям
- Размеры
- 109M
- Железо
- от: Ноутбук
Кибербезопасность2024
cybersectony · не раскрыта
Очень лёгкий классификатор писем и ссылок на признаки фишинга. Ошибается в обе стороны, поэтому спорные письма всё равно смотрит человек.
- Отметка подозрительных входящих писем
- Проверка ссылок из переписки перед переходом
- Фильтр первого уровня в почтовом шлюзе
- Размеры
- около 66M
- Железо
- от: Ноутбук
Кибербезопасность2023–2024
Huawei и Университет науки и технологий Китая (проект LogAIBox) · Китай
Модель, предобученная на большом объёме журналов разных систем: превращает строку лога в вектор, поверх которого дообучают поиск сбоев и нетипичных записей. Решение по спорной операции принимает человек, автоматическая блокировка без проверки недопустима.
- Поиск нетипичных записей в журналах операций
- Группировка однотипных сообщений о сбоях
- Подготовка признаков для собственной модели мониторинга
- Размеры
- около 110M (архитектура BERT-base)
- Железо
- от: Ноутбук
Модерация и безопасность2024
iiiorg · не указана
Популярный детектор 17 типов персональных данных на шести европейских языках. Русского нет, лицензия некоммерческая — подходит для проб и исследований.
- Поиск персональных данных в текстах
- Сравнение качества детекторов PII
- Размеры
- 278M
- Железо
- от: Ноутбук
Проверка фактов и оценка ответовOllamaНе развивается2024
UT Austin и Bespoke Labs · США
Проверяет, подтверждается ли каждое утверждение в ответе ИИ исходными документами. Малые версии свободные, старшая 7B есть в Ollama, но некоммерческая.
- Проверка ответов RAG-бота по документам
- Поиск неподтверждённых утверждений в отчётах и пересказах
- Автоматический контроль качества ИИ-ответов
- Размеры
- 0.4B – 7B
- Железо
- от: Ноутбук
Проверка фактов и оценка ответовНе развивается2023–2024
Vectara · США
Маленькая модель, которая проверяет, опирается ли ответ ИИ на исходный текст или выдуман. Работает на процессоре, удобна как фильтр в RAG-системах.
- Проверка ответов чат-бота по базе знаний на выдумки
- Контроль качества пересказов документов
- Сравнение языковых моделей по склонности к ошибкам
- Размеры
- 110M
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2020–2024
SberDevices (ai-forever) · Россия
Русскоязычные энкодеры Сбера, обученные на больших русских корпусах. Основа для классификаторов, NER и поиска по смыслу на русском.
- Классификация обращений на русском
- Извлечение имён, сумм и дат после дообучения
- Определение тональности отзывов
- Размеры
- около 30M – 430M
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2024
udmurtNLP · не раскрыта
Проект вокруг удмуртского языка: энкодеры на базе mBERT, rubert-tiny2 и Glot500, разметчики частей речи, модель исправления опечаток и эмбеддинги удмуртского с английским.
- Разбор удмуртских текстов по частям речи
- Исправление опечаток и ошибок распознавания
- Поиск по смыслу в удмуртских материалах
- Размеры
- 33M – 187M
- Железо
- от: Ноутбук
Детекция подделокНе развивается2024
UC Santa Barbara и соавторы · США
Детектор ИИ-текста на Longformer: держит длинный документ целиком и обучен на текстах от множества разных языковых моделей. Ошибается в обе стороны, его вывод — повод для проверки человеком.
- Проверка длинных статей и отчётов целиком
- Отсев машинного текста в потоке публикаций
- Сравнение детекторов на своих данных
- Размеры
- около 150M (Longformer-base)
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2023–2024
CIS, Университет Людвига-Максимилиана в Мюнхене · Германия
Определяет, на каком языке написан текст: в третьей версии более двух тысяч меток, включая татарский, башкирский, чувашский, удмуртский, марийский, эрзянский, коми и другие языки народов России.
- Разбор смешанных архивов текстов по языкам
- Отсев мусора и чужих языков перед обучением моделей
- Маршрутизация обращений на нужного оператора или модель
- Размеры
- модель FastText, число параметров на карточке не указано
- Железо
- от: Ноутбук
Разбор текстаНе развивается2024
University of Southern Denmark · Дания
Переводит свободное описание профессии в стандартный код HISCO на 13 языках. Создана для исторических архивов, но годится и для наведения порядка в справочниках должностей. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Приведение разнородных названий профессий к единому коду
- Разбор архивов кадровых и статистических данных
- Подготовка данных для отчётности
- Размеры
- на базе CANINE-s, размер на карточке не указан
- Железо
- от: Ноутбук
ТекстRUНе развивается2023–2024
Сбер (ai-forever) · Россия
Русская модель «текст в текст» от Сбера, наследница ruT5 (2021). Небольшая и быстрая: её дообучают на пересказ, перефразирование и исправление ошибок в русском тексте, есть готовые версии проверки орфографии SAGE.
- Исправление орфографии и опечаток в русском тексте
- Краткий пересказ и перефразирование
- Нормализация заявок и обращений перед обработкой
- Размеры
- 95M – 1.7B
- Железо
- от: Ноутбук
КибербезопасностьНе развивается2023–2024
SmartData@PoliTO, Politecnico di Torino · Италия
Пара моделей итальянского университета: разбирают записанную сессию команд и размечают, какие куски относятся к разведке, закреплению и другим шагам атакующего. Решение по спорной операции принимает человек, автоматическая блокировка без проверки недопустима.
- Разметка журналов команд по этапам действий
- Группировка похожих сессий для разбора инцидентов
- Подготовка признаков для мониторинга серверов
- Размеры
- около 125M (на базе CodeBERT)
- Железо
- от: Ноутбук
Детекция подделокНе развивается2023
Hello-SimpleAI · Китай
Один из первых открытых классификаторов ИИ-текста, обучен на корпусе HC3 из пар ответов человека и ЧатГПТ. Ошибается в обе стороны: его вывод — повод поговорить с автором, а не доказательство.
- Предварительная проверка учебных работ
- Отсев шаблонных откликов и отзывов
- Разметка подозрительных текстов для ручной проверки
- Размеры
- около 125M (RoBERTa-base)
- Железо
- от: Ноутбук
Разбор текстаНе развивается2022–2023
Mike Zhang, Rob van der Goot, Barbara Plank (IT University of Copenhagen и LMU Munich) · Дания
Научная линейка моделей для текстов рынка труда: обучены на объявлениях о работе и европейском справочнике профессий ESCO, вытаскивают из вакансий навыки и требования. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Извлечение навыков и требований из текста вакансии
- Приведение навыков к единому справочнику ESCO
- Классификация вакансий и должностей
- Размеры
- 110M – 560M
- Железо
- от: Ноутбук
КибербезопасностьНе развивается2022–2023
Ehsan Aghaei и соавторы · США
Компактный языковой энкодер, обученный на текстах по кибербезопасности: разметка отчётов об угрозах, поиск сущностей и классификация.
- Разметка отчётов об угрозах и бюллетеней по уязвимостям
- Извлечение сущностей из текстов по безопасности
- Классификация и поиск по внутренней базе инцидентов
- Размеры
- около 125M
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2022–2023
Давид Дале (cointegrated) и сообщество · Россия
Готовые крошечные модели на rubert-tiny для русского текста: находят грубость и оскорбления, определяют тональность и эмоции. Работают на процессоре за миллисекунды.
- Фильтр оскорблений в чатах и комментариях на русском
- Разметка отзывов на позитив, нейтрал и негатив
- Поиск раздражённых клиентов в обращениях
- Размеры
- 12M – 29M
- Железо
- от: Ноутбук
Документы и OCRНе развивается2022
SCUT DLVC Lab, Южно-Китайский технологический университет · Китай
Лёгкая модель, которая учитывает и текст, и расположение блоков на странице: обучается на одном языке и переносится на другие. Подходит для разметки полей резюме и анкет. Решение о кандидате принимает человек, автоматический отбор без проверки использовать нельзя.
- Разметка полей в резюме и анкетах
- Извлечение данных из форм и бланков
- Разбор документов на нескольких языках
- Размеры
- около 130M английская и около 280M многоязычная версия
- Железо
- от: Ноутбук
Разбор текстаНе развивается2020–2022
Microsoft · США
Классические модели понимания документов: учитывают текст, его расположение на странице и картинку. Их дообучают под извлечение полей из форм и чеков. Коммерчески свободна только первая версия.
- Извлечение полей из анкет, форм и чеков после дообучения
- Классификация типов документов
- Ответы на вопросы по отсканированной странице
- Размеры
- около 110M – 370M
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2019–2022
Meta · США
Классический многоязычный энкодер на 100 языков, включая русский. Основа многих моделей тональности, NER и эмбеддингов, в том числе BGE-M3.
- Определение тональности отзывов на разных языках
- Извлечение имён и организаций после дообучения
- Классификация обращений
- Размеры
- 270M – 10.7B
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2021
Microsoft · США
Проверенный временем энкодер, на котором построено множество классификаторов и NER-моделей (в том числе GLiNER). Многоязычная mDeBERTa-v3 понимает русский.
- Классификация отзывов по тональности
- Извлечение сущностей после дообучения
- Проверка, следует ли вывод из текста
- Размеры
- 70M – 435M
- Железо
- от: Ноутбук
Разбор текстаRUНе развивается2021
Давид Дале (cointegrated) · Россия
Очень маленький русско-английский BERT, работает быстро на обычном процессоре. Есть готовые дообученные версии для тональности, токсичности и эмоций.
- Определение тональности отзывов
- Фильтр грубых сообщений в чате
- Быстрая классификация обращений
- Размеры
- 12M – 29M
- Железо
- от: Ноутбук
ФинансыНе развивается2020
Prosus · Нидерланды
Классическая модель, которая определяет тон финансовых новостей: позитив, негатив или нейтрально. Только английский, быстро работает на процессоре.
- Оценка тона новостей о компаниях
- Разметка отчётов и пресс-релизов
- Сигналы для аналитических дашбордов
- Размеры
- 110M
- Железо
- от: Ноутбук
