I.11Классификация, ранжирование и сопоставление

Карточка модели arinze/address-match-abp-v5 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

Это дообученная модель Sentence Transformers на базе bkai-foundation-models/vietnamese-bi-encoder, разработанная для векторного представления вьетнамских текстов о туризме. Она использует архитектуру RoBERTa с усреднением токенных представлений и формирует плотные эмбеддинги размерности 768; сходство между ними можно оценивать косинусной мерой. Модель предназначена для семантического поиска, сопоставления запросов с текстами, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка на задаче поиска информации: точность cosine_accuracy@1 составляет 0,9323, @3 — 0,9825, @5 — 0,99. Максимальная длина входа — 256 токенов по README и 258 токенов по метаданным. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. README не содержит сведений о лицензии.

Albertina 100M PTPT — энкодерная языковая модель для европейского португальского варианта Португалии, разработанная совместной командой Лиссабонского и Портского университетов. Модель семейства BERT построена на архитектуре DeBERTa и содержит 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно со 100 млн параметров, с 12 слоями и размером скрытого состояния 768. Она принимает текстовые последовательности длиной до 512 токенов и предназначена, в частности, для предсказания замаскированных токенов и использования в качестве основы для языковых задач на португальском языке. Модель обучена на корпусах европейского португальского общим объёмом около 2,2 млрд токенов, включая отфильтрованную для Португалии часть OSCAR, материалы Европейского парламента и стенограммы португальского парламента. В карточке приведены оценки на португальской версии задач GLUE, включая распознавание текстовых следствий, сходство предложений и классификацию пар предложений. Распространяется по лицензии MIT.

Albertina 900M PT-BR — крупная языковая модель-энкодер для бразильского варианта португальского языка, разработанная совместной командой Лиссабонского и Портского университетов. Модель построена на Transformer и архитектуре DeBERTa v2, относится к семейству BERT и содержит около 1,1 млрд параметров по метаданным; в карточке указаны 24 слоя и размер скрытого состояния 1536. Контекст составляет 512 токенов. Модель обучена на корпусе brWaC объёмом 2,7 млрд токенов и предназначена для маскированного языкового моделирования и получения представлений текста на португальском языке. Её можно применять для заполнения пропусков в тексте, а также дообучать для задач понимания языка, включая определение перефразирования, семантического сходства и текстового следования. В карточке приведены результаты на португалоязычных вариантах GLUE. Модель выпущена для академических исследований. Условия лицензии корпуса brWaC запрещают коммерческое применение; перед использованием следует учитывать это ограничение и условия лицензии, обозначенной в метаданных как other. Модель принимает и обрабатывает текст, не является генеративным чат-ассистентом и ориентирована на португальский язык Бразилии.

Это демонстрационная объединённая модель на базе архитектуры BERT, созданная функцией SentenceTransformer.merge из моделей sentence-transformers/all-MiniLM-L6-v2 и sentence-transformers/multi-qa-MiniLM-L6-cos-v1. В процессе слияния применён метод dare_ties: из изменений каждой задачи случайно удалено 30% весов с последующим масштабированием и согласованием знаков. Модель содержит 25,9 млн параметров, принимает текст и формирует семантические векторы для сравнения предложений и поиска по смыслу. Контекст составляет до 512 токенов; карточка указывает поддержку sentence-transformers и форматы Safetensors, TensorFlow и OpenVINO. Модель подходит для прототипирования семантического поиска и сравнения текстов. Это демонстрация слияния, поэтому качество объединённой модели для конкретных задач не подтверждено в карточке; перед применением следует оценить её на целевых данных. Лицензия в предоставленных данных не указана.

karakastarik/all-MiniLM-L6-v2-spelling-correction-large — модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 32. Она предназначена для поиска семантически близких текстов и кластеризации; обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на сопоставление текстовых представлений. Модель содержит 25,9 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате PyTorch. Несмотря на часть «spelling-correction» в названии, карточка описывает модель эмбеддингов, а не систему исправления орфографии. Она может служить компонентом семантического поиска или кластеризации предложений и абзацев. Лицензия и конкретные языки в предоставленных данных не указаны.

jaimevera1107 дообучил модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения смысловой близости предложений и абзацев, семантического поиска и других задач работы с текстовыми векторами. Модель кодирует текст в плотные векторы размерностью 384; архитектура объединяет BERT-энкодер, усреднение токенов и нормализацию, а близость можно оценивать косинусным сходством. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога сообщают контекст до 512 токенов. Модель обучалась на 16 890 парах текстов с оценками сходства. Примеры датасета посвящены биомедицинским аннотациям, поэтому она может быть полезна для поиска и сопоставления научных текстов в этой области. Данных о лицензии и поддерживаемых языках в предоставленных источниках нет; базовая модель описана каталогом как англоязычная.

AMPLIFY-B — модель для извлечения признаков, опубликованная в формате Hugging Face Transformers. Она преобразует входные данные в векторные представления, которые можно использовать в downstream-задачах машинного обучения, поиске похожих объектов и построении специализированных классификаторов или регрессоров. Модель содержит около 471,9 млн параметров и распространяется с использованием формата safetensors.

Adel-Elgabry/arabic-semantic-search — модель Sentence Transformers, дообученная автором на базе sentence-transformers/LaBSE для поиска семантически близких арабских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой, а векторы использовать для поиска и извлечения релевантных текстов. В метаданных указана архитектура RoBERTa с 151,8 млн параметров; библиотека для работы — sentence-transformers. Модель принимает текст и рассчитана на последовательности длиной до 256 токенов согласно README; метаданные каталога указывают контекст 514 токенов. Обучение описано на наборе из 1 000 пар предложений с MultipleNegativesRankingLoss. LaBSE поддерживает 109 языков, однако специализация этой дообученной модели — арабский семантический поиск. Лицензия в предоставленных данных не указана.

AZOU — модель классификации корейского текста, разработанная Ким Хигю, Пак Сонхо, Юк Сехёном и Ким Хёджин. Она оценивает связь между входным текстом, инструкцией и заданной меткой: более высокий балл означает, что метка лучше соответствует инструкции и тексту. Такой формат позволяет применять модель к классификации без отдельного обучения на каждую задачу, в том числе для определения темы, выявления ненавистнических высказываний, поиска и фильтрации текстов по заданным критериям. Модель основана на klue/roberta-large и имеет архитектуру RoBERTa для классификации последовательностей; в репозитории представлены веса PyTorch. Размер — 435,4 млн параметров, контекст — до 514 токенов. Карточка приводит результаты на корейских наборах данных для задач классификации, включая сравнение с GPT-3.5 на отдельных тестах. Модель распространяется по лицензии MIT.

sifat-febo/banglish-embed-tiny — созданная с нуля автором карточки компактная модель эмбеддингов на базе BERT для сопоставления предложений на бенгальском языке и Banglish — бенгальском языке, записанном латиницей. Модель содержит 3,1 млн параметров, использует собственный словарь из 16 000 токенов и рассчитана на ввод текста. Контекст ограничен 64 токенами. Модель предназначена для поиска соответствующих предложений между бенгальским письмом и латинской записью Banglish, в том числе для межскриптового поиска и оценки сходства. По описанному в README тесту она первой находила соответствие примерно в 99% случаев среди 2 000 кандидатов. Веса доступны в форматах Safetensors и ONNX; автор указывает, что модель работает на CPU, телефонах и в браузере. Для модели требуется собственный токенизатор, поэтому она не подходит напрямую для конвейеров, рассчитанных на стандартный многоязычный токенизатор. Длинные тексты обрезаются примерно после 50 слов Banglish или 15 слов бенгальским письмом; модель предназначена только для оценки смыслового сходства предложений. Лицензия — Apache-2.0.

BengaliSBERT — модель Sentence-BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на BengaliBERT и дообучена на наборе данных NLI для получения представлений предложений на бенгальском языке. Модель предназначена для вычисления эмбеддингов и оценки семантического сходства предложений; её можно использовать для поиска похожих фраз и сравнения текстов. Архитектура — BERT, размер — 264,8 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса PyTorch и лицензия CC BY 4.0. README упоминает отдельную более качественную модель сходства на основе этого чекпойнта, поэтому эту модель не следует считать лучшим вариантом семейства для оценки сходства.

google-bert/bert-base-multilingual-cased — предобученная многоязычная модель BERT, опубликованная командой BERT и представленная на Hugging Face. Это плотный трансформерный энкодер класса BertForMaskedLM с 205,1 млн параметров, общим словарём WordPiece на 110 000 единиц и контекстом до 512 токенов. Модель обучена на текстах Википедии для 104 языков с помощью masked language modeling и предсказания следующего предложения. Она чувствительна к регистру: например, различает «english» и «English». Несмотря на имя репозитория, токенизация в карточке описана как выполняющая приведение текста к нижнему регистру. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов или ответов на вопросы. В исходном виде её можно использовать для восстановления замаскированных слов и получения текстовых представлений; для генерации связного текста она не предназначена. Поддерживает множество языков, включая русский, однако приведённые метаданные содержат только часть языкового списка из карточки. Лицензия — Apache 2.0.

karakastarik/bert-base-turkish-128k-uncased-spelling-correction — модель на базе BERT, опубликованная как Sentence Transformers для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 16 и обучалась с MultipleNegativesRankingLoss и косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Несмотря на «spelling-correction» в названии, README описывает получение эмбеддингов, а не исправление орфографии. Архитектура — BERT; объём модели составляет 211,6 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку задач feature extraction и sentence similarity, а также формат PyTorch. Модель ориентирована на турецкий язык, однако доступные сведения не уточняют качество на конкретных наборах данных. Лицензия в предоставленных данных отсутствует.

Модель inokufu/bert-base-uncased-xnli-sts-finetuned-education разработана Inokufu как англоязычная sentence-transformers-модель для представления предложений и абзацев о курсах в виде плотных векторов размерности 768. Она основана на bert-base-uncased и последовательно дообучалась на предложениях из описаний учебных курсов, затем на задаче распознавания текстовых отношений XNLI и на задаче семантического сходства STS. Модель подходит для семантического поиска, сравнения предложений и кластеризации образовательного текста; в README указан результат 84,61% на STS (английский).

Модель sentence-transformers/bert-large-nli-cls-token разработана командой Sentence Transformers на основе архитектуры BERT и обучена на данных NLI. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; число параметров — около 433,9 млн. Модель предназначена для построения текстовых эмбеддингов и оценки смысловой близости. Авторы предупреждают, что эмбеддинги имеют низкое качество, и рекомендуют выбирать более новые модели из каталога Sentence Transformers. Лицензия — Apache-2.0.

Модель SetFit, разработанная на основе desarrolloasesoreslocales/bert-leg-al-corpus, предназначена для классификации текстов. Она использует дообученный контрастивным обучением Sentence Transformer и классификационную голову LogisticRegression; обучение выполнено в режиме few-shot. Модель распределяет входные тексты по 21 классу, связанному с обращениями и административными материалами на испанском языке. Модель основана на архитектуре RoBERTa, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов (в метаданных контекст указан как 514 токенов). Для текстовой классификации в README указана точность 0,9127. Репозиторий использует формат safetensors и библиотеку SetFit. Лицензия в предоставленных данных не указана.

Модель разработана авторами NLP Odyssey (Matteo Grella и Marco Nicola) на основе bert-base-multilingual-uncased и дообучена для географической классификации новостных заголовков. Она принимает текст заголовка и предсказывает код страны по стандарту ISO 3166-1 alpha-3. Модель предназначена для автоматической маркировки новостей по стране, о которой говорится в заголовке, в том числе для работы с многоязычными текстами. Это BERT для классификации последовательностей с 194,6 млн параметров; максимальная длина контекста — 512 токенов. Распространяется в форматах PyTorch и Safetensors. Модель подходит для тематической сортировки новостных лент и предварительной разметки заголовков для последующего анализа. Качество и набор распознаваемых стран в README не описаны; лицензия Apache-2.0 допускает использование, изменение и распространение на её условиях.

swardiantara/bert-tiny-sst5-k5-adaptive-cosine — компактная Sentence Transformer-модель на основе BERT, дообученная автором репозитория на 8 894 парах текстов. Она кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска и сравнения текстов. Архитектура включает BertModel с усредняющим pooling. В метаданных указано 4,4 млн параметров и контекст до 512 токенов; в README для Sentence Transformers задан предел последовательности 128 токенов. Модель предназначена для извлечения эмбеддингов и семантического поиска по тексту. Примеры обучающих данных — англоязычные рецензии на фильмы, поэтому в первую очередь она подходит для сравнения и поиска коротких английских текстов. Базовая модель — google/bert_uncased_L-2_H-128_A-2. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

savasy/bert-turkish-text-classification — модель классификации турецких текстов на семь тематических категорий: мировые события, экономика, культура, здоровье, политика, спорт и технологии. Это дообученная для классификации последовательностей модель семейства BERT; в README указана базовая модель dbmdz/bert-base-turkish-cased. Размер модели — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и возвращает метку категории с оценкой уверенности. Она подходит для тематической сортировки турецких новостей и текстов по семи указанным рубрикам. Доступны веса в форматах PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

google/bert_uncased_L-6_H-256_A-4 — компактная англоязычная модель семейства BERT, опубликованная Google как часть набора BERT Miniatures. Это плотный трансформер с 6 слоями, размером скрытого представления 256 и 4 головами внимания; в репозитории около 14,1 млн параметров, контекст — до 512 токенов. Модель обучена без учёта регистра с маскированием токенов WordPiece и доступна в форматах PyTorch и Flax под лицензией Apache-2.0. Модель предназначена для запуска в условиях ограниченных вычислительных ресурсов и последующей настройки на задачи понимания текста, например классификацию и оценку сходства предложений. Авторы отмечают, что компактные варианты особенно эффективны при дистилляции знаний от более крупной и точной модели; их также можно дообучать обычным способом. README приводит результаты оценки семейства на GLUE, но не отдельные показатели именно этой конфигурации. Модель принимает текст и выдаёт контекстуальные представления токенов, которые обычно используют как основу для классификаторов и других задач NLP. Она рассчитана на английский язык и не предназначена для генерации текста. По сравнению с крупными BERT-моделями компактность снижает требования к ресурсам, но может ограничивать качество на сложных задачах; конкретные ограничения качества для этой конфигурации в карточке не приведены.

Модель BGE base Financial Matryoshka разработана как Sentence Transformer с дообучением от BAAI/bge-base-en-v1.5. Она кодирует английские предложения и абзацы в плотные эмбеддинги размерностью 768; в архитектуре используются BERT, пулинг по CLS-токену и нормализация векторов. Максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Благодаря Matryoshka-обучению эмбеддинги можно использовать в укороченных размерностях для поиска и сравнения текста. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста, включая поиск по финансовым материалам. В README приведены результаты на небольшом наборе из 16 обучающих примеров; для информационного поиска метрика cosine_accuracy@1 равна 0 на нескольких размерностях, поэтому качество на целевых данных следует проверять отдельно. Модель использует библиотеку sentence-transformers и распространяется по лицензии Apache-2.0.

Dash00/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на 6 300 примерах финансовых и корпоративных текстов от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В README указаны косинусная мера сходства и архитектура BERT с CLS-пулингом и нормализацией; благодаря Matryoshka Loss эмбеддинги можно использовать с размерностями 512, 256, 128 и 64. Модель подходит для поиска ответов в финансовых и корпоративных документах, кластеризации текстов, поиска перефразировок и классификации на основе эмбеддингов. Максимальная длина входа — 512 токенов. Лицензия — Apache-2.0. Результаты в README относятся к указанным автором данным и метрикам; данных для оценки качества на иных корпусах нет.

liuxiong332/bge-m3-financial-mixed — модель эмбеддингов предложений на основе BAAI/bge-m3, дообученная на финансовых данных. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, сравнения текстов и кластеризации, в том числе в финансовых корпусах. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для работы можно использовать библиотеку Sentence Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает, на каких языках собраны финансовые данные и каковы результаты оценки именно этой версии, поэтому пригодность для конкретного языка или финансового сценария стоит проверять на собственных данных.

pablosi/bge-m3-trained — испаноязычная модель Sentence Transformers, дообученная Pablo Si на базе BAAI/bge-m3 на наборе boe_sintetic_question_context из 5 036 пар вопрос–контекст. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и подходит для семантического поиска и сравнения текстов по косинусному сходству. Архитектура включает XLM-RoBERTa и слой пулинга по CLS-токену; максимальная длина последовательности — 8 194 токена. Модель предназначена прежде всего для поиска испанских нормативных и юридических документов по вопросам, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки на задаче информационного поиска, однако они относятся к указанному тестовому набору и сами по себе не гарантируют качество на других коллекциях. Лицензия — Apache-2.0.

bge-small-en-v1.5 INT8 ONNX — компактная англоязычная модель для получения векторных представлений текста. Артефакт подготовлен для поиска в ZimaOS Photos на основе модели BAAI/bge-small-en-v1.5; распространяется в формате ONNX с динамической INT8-квантизацией QInt8 и рассчитан на выполнение через ONNX Runtime. Модель преобразует текст в эмбеддинги размерностью 384 и поддерживает последовательности длиной до 512 токенов. Она предназначена для семантического поиска и сопоставления поисковых запросов с текстовыми описаниями или индексированными фрагментами; для запросов требуется добавлять инструкцию «Represent this sentence for searching relevant passages:», а для индексируемых текстов её добавлять не следует. После получения вывода необходимо применять mean pooling с учётом attention mask и L2-нормализацию. К преимуществам относятся небольшой размер около 40 млн параметров, экономичное INT8-выполнение и совместимость с ONNX Runtime. Модель поддерживает английский язык и не является мультимодальной моделью, поэтому сама по себе не обрабатывает изображения. Лицензия — MIT.

bge-small-zh-v1.5-gguf — это модель для создания векторных представлений текста (embeddings), основанная на BAAI/bge-small-zh-v1.5. Репозиторий GGUF-файлов подготовлен Compendium Labs. Модель предназначена для семантического поиска, сравнения текстов, кластеризации, retrieval-сценариев и других задач, где требуются embedding-векторы. По названию и исходной модели она ориентирована на китайский язык, однако точный перечень поддерживаемых языков в README не указан. Модель доступна в форматах GGUF с представлениями F32, F16, Q8_0 и Q4_K_M; размеры файлов составляют примерно от 15 до 91 МБ. Она совместима с llama.cpp и llama-cpp-python, поддерживает получение embedding-векторов для одной строки или списка строк и автоматическую пакетную обработку. Архитектура, число параметров, размерность векторов, максимальная длина контекста и перечень модальностей в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся компактность, возможность локального запуска и ускорение на CPU при использовании квантованных вариантов: заявлено до 30% прироста скорости при минимальной потере точности. На GPU преимущество над ONNX описано как умеренное и зависящее от приложения, а из-за небольшого размера модели выгода от квантования может быть ограниченной. Лицензия — MIT, если соблюдаются её условия.

BAAI/BGE-VL-Screenshot — модель семейства UniSE от BAAI для поиска по скриншотам и визуально представленным данным. Она дообучена на базе Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с 3,1 млрд параметров. Модель совместно представляет содержимое скриншотов, включая текст, изображения, таблицы и диаграммы, и поддерживает поиск, при котором запрос или результат могут охватывать разные модальности. Модель предназначена для поиска скриншотов по текстовым и составным запросам, а также для сопоставления скриншотов с другими данными. В Sentence Transformers предусмотрены режимы «query» для составных запросов с изображением и текстом и «document» для скриншотов-кандидатов. Контекст — до 128 000 токенов; заявлены языки английский, китайский, арабский, французский и испанский. Метаданные указывают возможности эмбеддингов и интерфейс вызова инструментов; веса доступны в формате safetensors. В README сообщается о высоких результатах семейства UniSE на бенчмарке MVRB для задач поиска по скриншотам. Это не свидетельствует о качестве на любых иных наборах данных; код оценки и дообучения в плане выпуска отмечен как ещё не опубликованный. Лицензия модели — MIT.

Pankajrajdeo разработал Bioformer-8L-UMLS-Pubmed_PMC-Backward_TCE-Epoch-1 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений медицинских текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 512 и предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство. Модель содержит 50,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и формирует эмбеддинги с усреднением токенных представлений. Обучение указано на наборе parquet с парами anchor и positive; примеры в README относятся к биомедицинским публикациям. Лицензия в предоставленных данных не указана.

cmarkea/bloomz-560m-nli — модель классификации текстов на основе BloomZ-560m, дообученная командой cmarkea на задаче распознавания текстового следования (NLI) от Bloomz-560m-chat-dpo. Она определяет, противоречит ли гипотеза посылке, следует ли из неё или нейтральна к ней; этот подход также позволяет классифицировать тексты по произвольным меткам без отдельного обучения, сопоставляя текст с формулировками гипотез для каждого класса. Модель содержит около 659,6 млн параметров и предназначена для задач классификации, в том числе анализа тональности и тематической категоризации. В обучении использовались пары посылок и гипотез на английском и французском языках, включая комбинации языков. В README приведены результаты на NLI и французских отзывах, но они уступают ряду специализированных моделей в указанных сравнениях. Модель опубликована в форматах PyTorch и Safetensors под лицензией BigScience BLOOM RAIL 1.0; следует учитывать её условия использования и ограничения.