I.11Классификация, ранжирование и сопоставление

Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

ARA-Reranker-V1 — модель Omartificial-Intelligence-Space для переранжирования результатов поиска на арабском языке. Она оценивает пару «запрос — фрагмент документа» и выдаёт оценку релевантности, по которой можно упорядочить кандидатов; в отличие от моделей эмбеддингов, она не формирует векторы для сравнения. Оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель основана на XLM-RoBERTa и использует архитектуру классификации последовательностей; размер — 658,7 млн параметров, длина контекста — 8194 токена. Она обучалась на парах запросов и фрагментов с положительными и трудными отрицательными примерами. README приводит оценку на наборе из 3000 примеров, но таблица результатов для этой модели в предоставленном тексте неполна. Модель подходит для переранжирования результатов арабского поиска и отбора документов для систем вопросно-ответного поиска. Лицензия — Apache-2.0. Данные подтверждают поддержку арабского языка; о поддержке других языков сведений нет.

Argonne 4.5-decision — англоязычная модель PursuitOfDataScience на архитектуре Argonne2 с 2,1 млрд параметров и контекстом 13 568 токенов. Это дообучение argonne-4.5-base-ctx13568 с дополнительной головой для принятия решений; вместо генерации текста модель за один проход оценивает заданные варианты и возвращает вероятности. Модель предназначена для классификации без примеров, выбора из 2–255 вариантов, выставления оценки по заданной шкале и оценки вероятности истинности утверждения. Она подходит, например, для маршрутизации обращений, классификации намерений и проверки условий, сформулированных в вопросе. В описанных тестах точность на разных наборах задач в среднем выше, чем у DeBERTa-v3-large zero-shot и BART-large-MNLI, а вероятности для некоторых типов вопросов хорошо откалиброваны. Качество зависит от задачи: на Banking77 точность составляет 62,5%, что заметно ниже опубликованного результата Jev в 81,1%; на незнакомых задачах «да/нет» вероятности могут смещаться к середине, поэтому порог стоит подбирать на размеченных примерах. Модель принимает только английский текст, не объясняет решения, а тексты длиннее 13 568 токенов обрезаются. Репозиторий использует PyTorch, Transformers и safetensors; лицензия — Apache-2.0.

joeddav/bart-large-mnli-yahoo-answers — модель на архитектуре BART-large, разработанная на основе facebook/bart-large-mnli и дополнительно дообученная на классификации тем Yahoo Answers. Она сопоставляет текст с предложенными пользователем метками и подходит для классификации тем по меткам, которые могли не встречаться при обучении. Для лучшего результата автор рекомендует шаблон гипотезы «This text is about {}.»; модель обучалась на пяти из десяти тем Yahoo Answers. В оценке на Yahoo Answers F1 составила 0,68 для невиденных при обучении меток и 0,72 для виденных; авторы корректировали оценки виденных меток на 30 процентных пунктов. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

rithwik-db/bert-base-cased_banking77_10000 — модель Sentence-Transformers на архитектуре BERT, обученная представлять предложения и абзацы в виде плотных векторов размерности 768. Она предназначена для семантического поиска и кластеризации текстов; обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст, а её контекст ограничен 512 токенами. Модель подходит для поиска похожих запросов и группировки текстов по смыслу. Карточка не сообщает, на каких языках обучена модель или для какой предметной области она предназначена, поэтому её название само по себе не подтверждает специализированную поддержку банковских запросов. Лицензия в предоставленных данных не указана.

BERT-base-cased-qa-evaluator — модель на основе BERT с 135,5 млн параметров и классификационной головой для оценки пары «вопрос—ответ». Она принимает вопрос и ответ как два текстовых сегмента и определяет, насколько они семантически связаны; контекст составляет до 512 токенов. Модель предназначена прежде всего для автоматической оценки качества вопросов, созданных генератором t5-base-question-generator, а также для отбора пар «вопрос—ответ», подходящих по смыслу. При обучении использовались данные SQuAD, RACE, CoQA и MSMARCO. Доступны версии в форматах PyTorch, TensorFlow и Flax. Оценка отражает семантическую связь между вопросом и ответом, но не проверяет фактическую истинность ответа. Лицензия в предоставленных материалах не указана.

Zlovoblachko/bert-base-uncased-augmentation-indomain-bm25-sts — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased для сравнения предложений по смыслу. Она преобразует текстовые фрагменты в плотные векторы размерности 768; близость векторов оценивается косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face указывают контекст до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и сравнения пар предложений. Также в карточке перечислены классификация текста и другие задачи на основе эмбеддингов. На тесте sts-test указана корреляция Спирмена 0,4729 для косинусного сходства; результат характеризует конкретный набор данных и не гарантирует качество на других доменах. Модель содержит 136,7 млн параметров, использует архитектуру BERT с усреднением токенных представлений и реализована на Sentence Transformers. Она рассчитана на английский язык; для языков и текстов вне обучающего распределения качество может быть ниже. Лицензия в предоставленных данных не указана.

textattack/bert-base-uncased-STS-B — англоязычная модель классификации текста, опубликованная TextAttack. Это BERT-base uncased с архитектурой BertForSequenceClassification, дообученный для оценки семантического сходства пар предложений на датасете STS-B. Модель принимает текстовые пары и предсказывает оценку сходства; в каталоге Hugging Face для неё указан pipeline text-classification. Размер — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для сравнения смысловой близости предложений и экспериментов с оценкой семантического сходства. Она рассчитана на английский текст: вариант uncased не различает регистр. Ограничения включают предел контекста в 512 токенов и узкую настройку под STS-B; карточка Hugging Face не содержит подробных сведений о лицензии.

sgugger/bert-finetuned-mrpc — модель BERT, дообученная на наборе GLUE MRPC для классификации пар предложений. Она определяет, выражают ли два предложения одно и то же значение; на оценочной части MRPC в карточке указаны accuracy 0,8603 и F1 0,9032. Модель содержит 135,5 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель основана на bert-base-cased и предназначена для английского языка. Подходит для обнаружения перефразирований и проверки семантического сходства коротких текстов. Распространяется по лицензии Apache-2.0. Показатели относятся к оценке на MRPC; качество на других данных может отличаться.

swardiantara/bert-tiny-sst5-k5-fixed-euclidean — компактная модель Sentence Transformers, разработанная на базе google/bert_uncased_L-2_H-128_A-2 и дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 для поиска и сравнения по косинусному сходству; модель можно использовать для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling. Веса занимают модель размером около 4,4 млн параметров; метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Данные обучения содержат англоязычные пары фрагментов обзоров фильмов с метками сходства, поэтому подтверждённая языковая специализация — английский. Лицензия в предоставленных данных не указана. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами, но качество и область применения за пределами описанного обучения отдельно не подтверждены.

swardiantara/bert-tiny-yelp-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128 и использует косинусное сходство; модель предназначена для семантического поиска, извлечения текстов и сравнения предложений. В архитектуре применяются BERT и mean pooling. Модель обучена на 585 010 примерах с парными текстами и метками; базовая BERT имеет 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов; для непосредственного применения следует учитывать ограничение README. Поддерживается английский язык. Формат весов — safetensors; лицензия в предоставленных данных не указана.

BERTugues-base-portuguese-cased — модель на архитектуре BERT, разработанная Рикардо Маццей Заго и Лусиане Агнолетти дос Сантос Педотти для бразильского португальского языка. Она предварительно обучена на корпусе BrWAC с целями Masked Language Modeling и Next Sentence Prediction; при подготовке токенизатора также использовалась португалоязычная Википедия. В модели около 136,7 млн параметров, длина контекста — до 512 токенов. Модель подходит для предсказания замаскированных слов и получения векторных представлений предложений, которые можно использовать для классификации текстов и оценки сходства. Токенизатор исключает редкие для португальского символы и включает основные эмодзи; авторы сообщают о меньшем количестве разбиваемых на части слов по сравнению с Bertimbau и многоязычным BERT. Карточка приводит результаты сравнений на классификации отзывов и сходстве юридических текстов, но не указывает лицензию точнее, чем «other».

google/bert_uncased_L-6_H-768_A-12 — компактная англоязычная модель BERT из набора BERT Miniatures, разработанного Google и описанного в работе «Well-Read Students Learn Better». Это плотный трансформерный энкодер с 6 слоями, размерностью скрытого представления 768 и 12 головами внимания; в модели около 80,1 млн параметров. Она принимает текст без учёта регистра, обучена с WordPiece-маскированием и поддерживает контекст до 512 токенов. Модель предназначена для тонкой настройки на задачах понимания английского текста, например классификации и оценки сходства предложений. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также отмечают пользу дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Карточка приводит результаты на GLUE для других вариантов набора, но не отдельную оценку этой конфигурации. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

ArnavKewalram/bge-base-code-v1 — текстовая модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения по смыслу; сходство оценивается косинусной мерой. Архитектура включает BERT, пулинг CLS и нормализацию эмбеддингов. Модель предназначена для извлечения эмбеддингов из текста, семантического поиска по фрагментам кода и построения retrieval-компонента для RAG. В README максимальная длина последовательности указана как 384 токена, а метаданные каталога — как 512; фактический предел может зависеть от конфигурации и способа использования. Основание для названия «code» есть в идентификаторе репозитория, но README не уточняет обучение или специализацию на коде. Лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком карточки на BAAI/bge-base-en-v1.5 для создания плотных текстовых эмбеддингов. В основе — BERT; модель кодирует предложения и абзацы в векторы размерностью 768 и сравнивает их по косинусному сходству. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и сравнения текстов, в том числе финансовых вопросов и фрагментов документов. Также её можно применять для поиска перефразировок, кластеризации и классификации текста. Благодаря обучению Matryoshka доступны укороченные представления размерностью 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством поиска. Модель принимает текст и выдаёт эмбеддинги; лицензия — Apache-2.0.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs64-book — Sentence Transformer, дообученный разработчиком на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией; размерность векторов — 1024, сходство измеряется косинусной метрикой. В карточке указана максимальная длина последовательности 1024 токена, а в метаданных — нативный контекст до 8194 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Суффикс имени и обучающие данные указывают на настройку для поиска по книгам на корейском языке, однако карточка не приводит оценок качества или подробностей датасета. Метаданные указывают 658,7 млн параметров и формат safetensors. Лицензия в предоставленных данных не приведена.

ByoungYoon/bge-m3-poi-retrieval-ko — Sentence Transformers-модель, дообученная на парах и триплетах текстов о точках интереса (POI). Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. В архитектуре используются XLM-RoBERTa, CLS-пулинг и нормализация; README указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления названий POI с описаниями и адресами, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. Примеры обучающих данных на корейском языке связывают краткие названия мест с вариантами названий и адресными описаниями. В README приведены метрики на наборе poi-val: cosine_accuracy@1 — 0,734, @5 — 0,976, @10 — 0,994. Карточка называет базовую модель ByoungYoon/bge-m3-poi-retrieval-ko; метаданные указывают 658,7 млн параметров, контекст до 8194 токенов и форматы safetensors и ONNX. Указанная в README максимальная длина 256 токенов описывает конфигурацию Sentence Transformers и отличается от контекстного лимита из метаданных. Лицензия в предоставленных источниках не указана.

darkmaniac7/bge-small-en-MNN — это конверсия модели эмбеддингов BAAI/bge-small-en-v1.5 в формат MNN, подготовленная TokForge для локального вывода на Android, Linux и iOS. Модель предназначена для построения векторных представлений текстов, семантического поиска, sentence similarity, RAG, а также формирования embeddings для памяти и задач reflection на устройствах без зависимости от GGUF/llama.cpp. Исходные веса разработаны Beijing Academy of Artificial Intelligence, а конверсия не содержит новых весов. Модель основана на 12-слойном BERT-энкодере с 33 млн параметров, размером скрытого состояния 384, 12 attention heads и промежуточным слоем размерности 1536. Используются CLS-пулинг и L2-нормализация; размер итогового embedding — 384, максимальная длина последовательности — 512 токенов. Веса представлены в fp16, размер файла составляет около 64 МБ. Поддерживается английский язык; модель принимает токенизированный текст и возвращает last_hidden_state, из которого извлекается embedding CLS-токена. Сильная сторона модели — возможность эффективного on-device-инференса через MNN и практически полное совпадение качества с GGUF-базовой версией в указанном синтетическом retrieval-тесте: для Recall@1, @3, @5 и @10 регрессии не выявлено, а среднее межмодельное cosine similarity составило 0,9962. Ограничения включают поддержку только английского языка, предел в 512 токенов и необходимость корректно выполнять CLS-пулинг, L2-нормализацию и, для асимметричного поиска, добавлять стандартный BGE-префикс к запросу. Модель распространяется по лицензии MIT.

RinKana/bge-small-en-v1.5-afterimage — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная автором репозитория RinKana. Она кодирует предложения и абзацы на английском языке в плотные текстовые эмбеддинги размерностью 384 для семантического поиска и извлечения релевантных фрагментов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. В README описана настройка на сопоставление контекста диалога с подходящим ответом и приведена оценка на задаче извлечения информации. Это может быть полезно для поиска кандидатов ответа по контексту разговора и для семантического поиска по английским текстам. Доступна оценка качества на одном указанном наборе, но результаты сами по себе не показывают качество на других корпусах и типах запросов. Лицензия в предоставленных данных не указана.

elsayovita/bge-small-en-v1.5-esg-v2 — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 для поиска и сравнения текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 384, которые можно сравнивать косинусной близостью; архитектура включает BERT, CLS-пулинг и нормализацию. Максимальная длина входа — 512 токенов. Обучение проводилось на 11 863 парах контекста и вопроса, связанных с ESG-отчётностью. Модель подходит для семантического поиска по документам и вопросам, поиска перефразировок, кластеризации и классификации текста. В README приведены метрики поиска для вариантов векторов размерностью от 32 до 384; уменьшение размерности снижает качество. Модель распространяется по лицензии Apache-2.0.

BAAI/BGE-VL-large — модель мультимодального поиска и сопоставления текста и изображений, разработанная BAAI. Она дообучена на базе OpenAI CLIP ViT-L/14 и создаёт векторные представления текстов, изображений и составных запросов, объединяющих изображение с текстовым описанием. Представления можно сравнивать по сходству для поиска подходящих изображений, в том числе по запросам вида «изменить фон на ночной», заданным вместе с исходным изображением. Модель работает с текстом и изображениями; карточка демонстрирует использование через Sentence Transformers и Transformers с `trust_remote_code=True`. В метаданных указан язык en, однако примеры показывают мультимодальный поиск без утверждения об исключительной поддержке английского. Репозиторий содержит веса safetensors, лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.

BAAI/BGE-VL-MLLM-S2 — дообученная BAAI мультимодальная модель для поиска изображений по тексту, изображению или их сочетанию. Она основана на LLaVA-NeXT с Mistral-7B и предназначена для универсального мультимодального поиска: например, можно задать изображение вместе с текстовым уточнением и найти подходящие изображения в коллекции. Модель формирует эмбеддинги размерности 4096, которые сравнивают по сходству; для обработки изображений рекомендуется размер 512 × 512. В README описана работа через sentence-transformers: инструкции в prompt задают формат запроса, а без prompt вход используется как кандидат для поиска. Метаданные указывают библиотеку sentence-transformers, формат весов safetensors и лицензию MIT. Карточка приводит примеры текстовых и визуальных запросов, но не заявляет поддержку языков помимо английского.

pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

AronowLab разработала Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-3 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений текстов. Модель содержит 50,3 млн параметров, кодирует предложения и абзацы в плотные векторы размерности 384 и принимает последовательности длиной до 1024 токенов. Для объединения токенов используется средний pooling, а сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, классификации и кластеризации. Она обучалась на парах anchor-positive из набора parquet с использованием MultipleNegativesRankingLoss; имя модели указывает на медицинскую тематику и связь с UMLS, PubMed и PMC. Лицензия в предоставленных данных не указана.

swasjha06 дообучил англоязычную модель Sentence Transformer на базе mixedbread-ai/mxbai-embed-large-v1 для семантического поиска и извлечения текстовых эмбеддингов. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура основана на BERT с пулингом CLS, модель содержит 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указан предел 256 токенов. Модель обучена на 851 паре «запрос—документ» с функцией потерь MultipleNegativesRankingLoss. Она подходит для поиска релевантных фрагментов по запросу и сравнения текстов по смыслу. Карточка описывает англоязычные обучающие примеры, поэтому основное назначение — работа с английским текстом. Лицензия в предоставленных данных не указана.

BTE-Base-Ar — модель эмбеддингов на базе Sentence Transformers и архитектуры ModernBERT, представленная ALJIACHI. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит около 148,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для длинных текстов применяется скользящее окно. Модель предназначена прежде всего для арабского языка, также обучалась на арабских и английских текстах. Её можно использовать для семантического поиска и сравнения фраз, поиска перефразировок, кластеризации и классификации текстов. В README приведён результат Spearman 0,8538 на оценке сходства предложений, а также заявлены высокая скорость и сниженное потребление памяти; условия и наборы для этих сравнений не раскрыты. Модель распространяется по лицензии MIT. Она выдаёт эмбеддинги, а не готовые текстовые ответы; качество на других языках и в задачах за пределами приведённой оценки в карточке не описано.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

almanach/camembertv2-base-pawsx — франкоязычная модель классификации текста на архитектуре RoBERTa, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на FLUE-PAWS-X для выявления парафраз: модель определяет, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,92254 на этом наборе данных. Модель содержит 138,4 млн параметров, принимает текст и выдаёт метку класса. Заявленный язык — французский; максимальный контекст составляет 1025 токенов. Модель распространяется по лицензии MIT. Результаты могут зависеть от характеристик обучающих данных, а качество на других наборах данных и задачах может быть ниже.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-074207 — дообученная Carted NLP модель RoBERTa для классификации текста. Она содержит 36 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны метрики на оценочном наборе: accuracy 0,8771 и F1 0,8763; название предполагает применение для категоризации, но конкретные категории и обучающие данные не описаны. Модель подходит для присвоения текстам категорий в прикладных системах. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.

Модель carted-nlp/categorization-finetuned-20220721-164940-pruned-20220803-184651 — дообученный классификатор текста на базе RoBERTa, разработанный carted-nlp. Она предназначена для категоризации текстовых последовательностей и относится к архитектуре RobertaForSequenceClassification; содержит около 120,9 млн параметров и принимает последовательности длиной до 514 токенов. В карточке приведены результаты оценки: accuracy 0,8760 и F1 0,8751 при loss 0,4673. Датасет указан как None, а назначение категорий, языки и прикладная область не раскрыты. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.