I.11Классификация, ранжирование и сопоставление

Consc_binary — модель классификации текста на основе DeBERTa-v3-base, дообученная разработчиком ajrayman для бинарной классификации последовательностей. Она содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. Модель опубликована в формате safetensors и распространяется по лицензии MIT. На указанной в карточке оценочной выборке модель получила accuracy 0,7559, precision 0,7204, recall 0,8354, F1 0,7737 и AUC 0,8421. Название и метрики указывают на бинарный сценарий классификации, однако классы, датасет и предметная область не описаны, поэтому пригодность для конкретной задачи нужно проверять на собственных данных.

PeytonT разработала Cross Modal Retrieval — энкодер для поиска семантически связанных материалов между научными статьями и репозиториями кода. Модель входит в исследовательскую систему Repository Library для индексации, поиска и сопоставления научных публикаций, их структурированного содержимого и репозиториев. Это полноразмерное дообучение sentence-transformers/all-MiniLM-L6-v2 на структурированных данных из PDF статей arXiv и данных о репозиториях и фрагментах кода. Модель содержит 25,9 млн параметров, использует архитектуру BERT и принимает текст с контекстом до 512 токенов. Основная задача — извлечение признаков для междоменного семантического поиска и ранжирования. Карточка описывает исследовательский компонент, а не готовое к развёртыванию решение: перед применением модель следует проверить в целевом процессе. Представленные метрики recall@10 и ndcg@10 не сопровождаются отдельным отчётом бенчмарка или внешним аудитом; часть обучающих данных получена из внутренних конвейеров Repository Library. Лицензия в предоставленных данных не указана.

Модель sercetexam9/cs221-afro-xlmr-large-76L-ibo-finetuned-10-epochs — дообученная версия Davlan/afro-xlmr-large-76L для классификации текста. Она построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров. Модель рассчитана на обработку последовательностей длиной до 514 токенов и подходит для классификации текстов на языках, поддерживаемых базовой Afro-XLMR, в особенности африканских. В карточке приведены результаты оценки: F1 0,5895, ROC AUC 0,7541 и accuracy 0,5226. Эти показатели относятся к указанному набору оценки; его название и состав данных не раскрыты. Модель распространяется по лицензии MIT.

JuriFindIT/DAR-legal-it — модель Sentence Transformers, дообученная на наборе JuriFindIT для семантического поиска по итальянским юридическим текстам. Она основана на Snowflake/snowflake-arctic-embed-m-v2.0 и преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Архитектура включает трансформер GTE с усреднением токенов и нормализацией; модель содержит 305,3 млн параметров и принимает последовательности длиной до 8192 токенов. Модель предназначена для поиска семантически близких документов и фрагментов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В README приведена оценка на валидационной части JuriFindIT: recall@10 по косинусному сходству составляет 0,8037. Модель принимает текст и выдаёт текстовые эмбеддинги; её основным языком является итальянский. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не описана.

Карточка модели kamalkraj/deberta-v2-xlarge на Hugging Face совпадает с карточкой microsoft/deberta-v2-xlarge, поэтому описание составлено по ней. microsoft/deberta-v2-xlarge — англоязычная предварительно обученная модель понимания текста семейства DeBERTa V2, разработанная Microsoft. Она использует плотную архитектуру с disentangled attention и улучшенным декодером маски; версия XLarge содержит 24 слоя и скрытый размер 1536. В метаданных указаны 1,1 млрд параметров, контекст до 512 токенов и веса в форматах PyTorch и TensorFlow. Модель предназначена прежде всего для заполнения пропусков в тексте и может служить основой для дообучения на задачах понимания естественного языка, включая классификацию текста и ответы на вопросы. В карточке приведены результаты дообучения на SQuAD и наборах GLUE; исходная модель обучалась на больших текстовых корпусах. Лицензия — MIT.

ai4data/devdata-search-paraphrase-ml-minilm-cmnrl — модель эмбеддингов bi-encoder из семейства DevData Search, разработанная ai4data для семантического поиска по структурированным статистическим метаданным. Она дообучена на DevDataBench на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с функцией потерь cmnrl. При обучении порядок полей случайно менялся, а часть полей исключалась, чтобы модель связывала значение с названиями полей, а не с порядком сериализации. Модель преобразует запросы и описания метаданных в векторы для последующего поиска и сравнения сходства; она сама не является поисковым сервисом. Максимальная длина последовательности — 512 токенов. Модель использует архитектуру BERT, содержит 124,3 млн параметров и распространяется в формате Safetensors; для работы указана библиотека Sentence Transformers. Многоязычная базовая модель поддерживает разные естественные языки, но конкретный список языков для этой версии не приведён. Лицензия — Apache-2.0. Практическое применение рассчитано на retrieval по статистическим данным и их описаниям; качество на иных типах текстов и структур может отличаться. Модель не выполняет поиск самостоятельно: для выдачи результатов её эмбеддинги нужно использовать в поисковом конвейере.

Модель Amoros/DinoAmoros_is_103_bs_32_ep_150-large-2025_05_30_52071-bs32_freeze_monolabel — дообученный классификатор изображений на базе facebook/dinov2-large. Она использует архитектуру DINOv2 и содержит около 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для отнесения изображений к классам, заданным при обучении. В README приведены результаты на оценочном наборе: точность 0,6615, микро-F1 0,6615 и макро-F1 0,5762. Датасет в карточке обозначен как None, а сведения о классах, обучающих данных и предполагаемой области применения отсутствуют, поэтому пригодность модели для конкретного набора изображений следует проверять отдельно. Лицензия — Apache-2.0.

DistilBERT base uncased — компактная дистиллированная модель семейства BERT, разработанная Hugging Face. Она обучена на английских текстах BookCorpus и Wikipedia с помощью BERT base в роли учителя, поэтому работает быстрее и имеет более компактное представление, сохраняя двунаправленную обработку контекста. Архитектура — DistilBertForMaskedLM; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для предсказания замаскированных слов и последующего дообучения для классификации последовательностей и токенов, а также ответов на вопросы. Модель чувствительна к регистру в смысле uncased: текст приводится к нижнему регистру. Она не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообученная версия. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Лицензия — Apache-2.0.

ScandinavianMrT/distilbert-SARC — модель классификации текста на базе DistilBERT, дообученная из distilbert-base-uncased. В метаданных указана архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации текстовых последовательностей. В карточке приведены результаты оценки: accuracy 0,759 и loss 0,4976; обучающий датасет обозначен как None, а подробности о назначении, данных и ограничениях отсутствуют. Лицензия — Apache-2.0.

ethicalabs/Echo-DSRN-v0.1.3-Intent-CLF — экспериментальная многозадачная классификационная модель разработчика Ethicalabs на архитектуре Echo-DSRN. Она объединяет базовую модель ethicalabs/Echo-DSRN-114M-v0.1.2 с адаптером Intent-CLF-PEFT; в карточке указано 98 млн параметров, а в метаданных — 49,9 млн. Модель предсказывает один из 60 интентов Amazon MASSIVE по входному тексту и предназначена для многоязычной классификации пользовательских запросов. Карточка сообщает о проверке на валидационной выборке MASSIVE для 51 языка с общей точностью 67,71%; для английского указано 81,14%. Метаданные указывают контекст до 2048 токенов, а карточка — формат bfloat16 и необходимость загрузки с trust_remote_code=True. Модель принимает текст и выдаёт метку класса. Она помечена разработчиком как экспериментальная и предназначенная для академической оценки и исследований; Apache-2.0.

Модель leomaurodesenv/electra-base-discriminator-nvidia-aegis-v2 — дообученный англоязычный энкодер ELECTRA для классификации текста, основанный на google/electra-base-discriminator. Она предназначена для отнесения текстовых последовательностей к классам; README приводит результаты оценки: accuracy 0,8586 и loss 0,3413. Модель содержит 136,7 млн параметров, использует архитектуру ElectraForSequenceClassification и принимает последовательности длиной до 512 токенов. Веса представлены в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данные обучения и назначение классов в карточке не раскрыты, поэтому показатели не позволяют судить о качестве на конкретной задаче или домене. Перед практическим применением следует проверить модель на целевых данных.

Erlangshen-DeBERTa-v2-710M-Chinese — китайская языковая модель семейства DeBERTa-v2, разработанная командой Fengshenbang и опубликованная IDEA-CCNL. Это плотный трансформерный энкодер с 925,6 млн параметров по метаданным; в README модель названа версией на 710 млн параметров. Модель предварительно обучена на корпусе WuDao объёмом 180 ГБ с маскированием целых слов и предсказанием замаскированных токенов. Модель предназначена для заполнения пропусков и использования в задачах понимания китайского текста, а также как основа для последующей адаптации к NLU-сценариям. Контекст составляет до 512 токенов. В README приведён пример восстановления замаскированного фрагмента, а также результаты на китайских задачах классификации и вывода. Опубликована под лицензией Apache-2.0. В карточке и README нет сведений о разговорном режиме или генерации свободного текста; основное назначение — маскированное языковое моделирование. Показатели из README относятся к отдельным downstream-тестам и не гарантируют качество на других задачах.

Financial Embedding Model — модель эмбеддингов на базе XLM-RoBERTa, дообученная для задачи чат-бота по руководствам медицинского оборудования. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, которые подходят для семантического поиска и кластеризации. Модель можно применять для поиска релевантных фрагментов документации и группировки текстов; контекст составляет до 8194 токенов. Модель опубликована в формате Safetensors и рассчитана на использование с Sentence-Transformers. Карточка не указывает лицензию или языки. Название предполагает финансовую тематику, однако описание обучения указывает на медицинскую документацию, поэтому назначение в финансовой области по имеющимся данным подтвердить нельзя.

snumin44/fincse-multilingual-xlm-roberta-base — дообученная многоязычная модель эмбеддингов на базе XLM-RoBERTa Base, разработанная для поиска соответствующих финансовых и экономических предложений. Она кодирует тексты в представления для межъязыкового поиска и сопоставления предложений; модель оценивали на задаче поиска параллельных предложений, а не на общей оценке семантического сходства. Модель дообучена на финансовых парах предложений на корейском, английском, китайском, японском, вьетнамском и индонезийском языках. В карточке указаны 305,2 млн параметров и контекст длиной 514 токенов. Авторы сообщают о высокой точности поиска на отложенной выборке из 50 000 примеров, но эти результаты относятся к описанному финансовому набору данных. Модель распространяется в формате safetensors по лицензии MIT.

mesolitica/finetune-mnli-nanot5-small — модель классификации текста, опубликованная разработчиком Mesolitica на Hugging Face. По названию она предназначена для классификации текстовых пар по задаче MNLI, то есть определения отношений между посылкой и гипотезой; карточка подтверждает задачу text-classification и архитектуру T5ForSequenceClassification. В метаданных указано около 38,5 млн параметров и формат Safetensors. Модель принимает текст и возвращает метку класса. Данные о лицензии, языках обучения и конкретных ограничениях в доступной карточке отсутствуют.

FNet-base — предварительно обученная модель семейства FNet, представленная в исследовательской работе и опубликованная в репозитории Google. В её плотной архитектуре механизм внимания заменён преобразованиями Фурье. Модель содержит 123,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена на английских текстах набора C4 с задачами masked language modeling и next sentence prediction. Её используют как основу для дообучения классификаторов и других моделей понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и предсказание пропущенных токенов. Это не модель для генерации текста. Карточка сообщает о примерно на 32% меньшем времени дообучения на задачах GLUE по сравнению с воспроизведённым BERT-base на GPU; эти результаты относятся к описанным условиям эксперимента. Модель различает регистр, хотя предобработка обучающих текстов описана как приведение к нижнему регистру. Лицензия — Apache-2.0.

Chernoffface разработал SetFit-модель для многометочной классификации текстов по шести категориям будущих технических навыков из Future Skill Framework Stifterverband. Она преобразует текст в признаки с помощью дообученной контрастным обучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и применяет классификатор OneVsRestClassifier. Обучение выполнено в режиме few-shot на небольшом наборе данных: для каждого навыка использовалось восемь примеров предложений. Модель предназначена для выявления тем технических навыков в текстах, например в описаниях мероприятий. Метаданные указывают архитектуру BERT, 124,3 млн параметров и контекст до 512 токенов; в карточке указана максимальная длина последовательности 128 токенов. Базовая модель многоязычная и создаёт 384-мерные векторы предложений, однако карточка не перечисляет языки обучения классификатора. Лицензия в предоставленных сведениях не указана.

gme-Qwen2-VL-2B-Instruct-i1-GGUF — это набор квантованных GGUF-файлов мультимодальной модели gme-Qwen2-VL-2B-Instruct, разработанной Alibaba-NLP и квантованной mradermacher. Модель предназначена для задач работы с текстом и изображениями, включая семантическое сходство, эмбеддинги и мультимодальный поиск; в метаданных также указана совместимость с MTEB, Sentence Transformers и Vidore. Заявлены английский и китайский языки. В основе лежит архитектура Qwen2-VL с размером 2B параметров; модель относится к vision-моделям, поэтому для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. README не указывает размер контекстного окна и подробные характеристики модальностей. Доступны варианты квантования примерно от 0,5 до 1,4 ГБ: более компактные варианты экономят память, но могут заметно уступать в качестве; для баланса скорости и качества рекомендован вариант Q4_K_M. Модель удобна для локального запуска в формате GGUF и сценариев, где важны небольшие требования к ресурсам и обработка визуально-текстовых данных. Ограничениями являются снижение качества у низкобитных квантов, необходимость совместимого ПО и возможных mmproj-файлов, а также отсутствие в README результатов бенчмарков и сведений о безопасной эксплуатации. Лицензия — Apache-2.0.

Funnel Transformer intermediate — предварительно обученная модель семейства Funnel Transformer, выпущенная авторами этой архитектуры и представленная в исследовательской работе. Это англоязычный uncased-чекпойнт архитектуры FunnelModel с энкодером B6 и декодером 6-6; он обучен на текстах с самоконтролем по задаче определения заменённых токенов, по принципу, близкому к ELECTRA. Модель принимает текст и извлекает векторные представления, пригодные для использования в последующих задачах обработки естественного языка. Чекпойнт рассчитан прежде всего на дообучение для задач, использующих целое предложение или его маскированную версию, например классификации последовательностей, классификации токенов и ответов на вопросы. Контекст ограничен 512 токенами. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Модель не предназначена для генерации текста и обычно требует дообучения для конкретной прикладной задачи.

KoVRE — модель эмбеддингов Whybe Choi для поиска страниц корейских документов по текстовому запросу. Она дообучена на базе Qwen/Qwen3-VL-Embedding-2B и содержит 2 млрд параметров. Модель сопоставляет запрос непосредственно с изображением страницы, сохраняя визуальные и структурные сведения о таблицах, иллюстрациях и макете без отдельного распознавания текста или разбора разметки. KoVRE предназначена для поиска по отсканированным или отрисованным страницам, мультимодального RAG и построения крупных индексов документов. Она выдаёт один L2-нормированный плотный вектор размерностью от 128 до 2048; для поиска релевантности используется косинусное сходство. Обучение включало контрастивное обучение на корейских и английских парах «запрос—страница» и дистилляцию оценок релевантности от Qwen3-VL-Reranker-8B. Модель специализируется на корейских визуальных документах; качество для обычных изображений и других языков, кроме корейского и английского, не установлено. Оценка ограничена двумя корейскими наборами, а сходство является сигналом ранжирования, а не калиброванной вероятностью. Репозиторий распространяется по лицензии Apache-2.0.

KR-BERT-char16424 — корейская предварительно обученная языковая модель семейства BERT, разработанная лабораторией вычислительной лингвистики Сеульского национального университета. Репозиторий содержит вариант KR-BERT с символьным словарём из 16 424 токенов; для токенизации используется BidirectionalWordPiece, который выбирает более частотный вариант разбиения, полученный при обходе в обоих направлениях. Модель имеет около 125,9 млн параметров и контекст до 512 токенов; доступны веса PyTorch и Flax. Модель предназначена для задач понимания корейского текста и последующей адаптации к прикладным задачам, например анализу тональности и классификации. В статье авторы сообщают о результатах на уровне или выше сопоставимых корейских и многоязычных BERT-моделей. Для данного символьного варианта в README приведена точность masked language modeling 0,779 в сравнительной таблице. Лицензия в предоставленных материалах не указана.

Это модель классификации текста из проекта Adaptive Classifier, построенная на базе answerdotai/ModernBERT-base. Она определяет, относится ли текст к одному из четырёх классов: английскому, французскому, испанскому или категории «другой язык». Модель поддерживает непрерывное обучение и добавление классов; для этого используется классификация на основе прототипов с эмбеддингами размерности 768. Модель предназначена для определения языка коротких текстовых фрагментов и может применяться в предварительной маршрутизации текста по языковым обработчикам. В обучающей выборке указано по пять примеров на класс, поэтому качество на разнообразных текстах может быть ограничено. Для каждого класса требуется не менее трёх примеров, допускается не более 150; прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0.

Funnel Transformer large-base — предварительно обученная базовая модель семейства Funnel Transformer, представленная авторами модели в исследовательской работе и опубликованная в репозитории Funnel Transformer. Это uncased-модель для английского языка, обученная на текстах BookCorpus, английской Википедии, ClueWeb, GigaWord и Common Crawl с самоконтролируемой задачей распознавания заменённых токенов, похожей на objective ELECTRA. Архитектура Funnel сжимает последовательность; в этой версии без декодера выходные скрытые состояния имеют длину в четверть от длины входа, а максимальный контекст составляет 512 токенов. Модель извлекает контекстные признаки и в первую очередь служит основой для дообучения на задачах, использующих представление всего предложения или текста, например классификации последовательностей, классификации токенов и ответов на вопросы. Сжатые выходы удобны для задач уровня предложения, но не сохраняют отдельное представление для каждого входного токена. Генерация текста не является её назначением. Репозиторий предоставляет форматы PyTorch и TensorFlow; лицензия — Apache-2.0.

bsmith3715/legal-ft-demo_final — это дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-m, опубликованная автором bsmith3715. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; модель подходит для семантического поиска, оценки сходства текстов и поиска перефразировок. Архитектура включает BERT, пулинг по токену CLS и нормализацию; максимальная длина последовательности — 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Карточка показывает дообучение на 200 парах предложений, связанных с текстами о тренировках по пилатесу, поэтому качество на других темах не установлено. В примере оценки InformationRetrievalEvaluator cosine_accuracy@1 составляет 0,45, @3 — 0,69, @5 — 0,73. Модель предназначена для текстового ввода и выдаёт эмбеддинги; в карточке не указана лицензия, поэтому условия использования следует проверить в репозитории.

Модель nemanjaPetrovic/legal-jerteh-125-sbert — дообученная версия Jerteh-125 на основе Sentence-BERT и архитектуры RoBERTa. Её разработал автор репозитория для семантического поиска по юридическим данным; обучение проводилось на триплетах с функцией потерь triplet loss. Модель содержит 180,2 млн параметров, принимает текст и формирует эмбеддинги для сравнения предложений и документов. Поддерживает сербский язык, а максимальная длина контекста составляет 514 токенов. Модель подходит для поиска юридических документов по смыслу и сопоставления запросов с релевантными текстами. Веса доступны в формате PyTorch; лицензия — MIT. В README модель названа proof of concept, поэтому её качество и пригодность для конкретного юридического корпуса следует оценить перед применением.

Lemone-Embed-L-Boost — модель эмбеддингов, разработанная Louis Brulé Naudet для поиска по французским налоговым и юридическим текстам. Она дообучена на intfloat/multilingual-e5-large и предназначена для извлечения информации из больших корпусов, включая производственные RAG-системы в налоговой сфере. Модель использует архитектуру XLM-RoBERTa и Sentence Transformers: усредняет токенные представления, нормализует результат и кодирует текст в плотный вектор размерности 1024. README сообщает о максимальной длине последовательности 512 токенов; метаданные указывают контекст 514 токенов. Основной язык — французский. Модель поддерживает семантический поиск и сравнение текстов, а также может применяться для кластеризации и классификации текстов. Лицензия — Apache 2.0.

EmotionEncoder — англоязычный RoBERTa-base энкодер, разработанный автором репозитория и дообученный на GoEmotions с многометочной контрастивной функцией потерь. Он преобразует текст в нормализованный эмбеддинг размерности 128: косинусная близость предназначена отражать сходство эмоционального содержания, а не сходство тем или формулировок. Архитектура включает masked mean pooling и двухслойную проекционную голову; число параметров — 151,8 млн, максимальная длина контекста — 514 токенов. Модель подходит для поиска и извлечения текстов по эмоциональному содержанию, сравнения эмоционального сходства пар текстов, эмоционально-ориентированного ранжирования и получения признаков для последующих моделей. В описанных автором оценках она показала перенос на наборы с другими схемами эмоциональных меток, однако выдаёт векторы, а не классы или оценки отдельных эмоций. Модель рассчитана на английский текст; обучение основано на Reddit, поэтому перенос на другие регистры и предметные области требует проверки. Она не предназначена для жёсткой классификации эмоций, анализа тональности или клинической диагностики. Доступна по лицензии Apache-2.0.

Модель daresearch/Llama-3.1-8B-bnb-4bit-M-exec-roles разработана для классификации должностей и ролей руководителей в корпоративном контексте. Это дообученная с помощью LoRA плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров; она принимает текст, например название должности и сведения об организации, и формирует текстовый ответ о ранге или роли — таких как VP, SVP, CEO, CXO и член совета директоров. Указанная длина контекста — 131 072 токена. Модель предназначена для выявления руководящих ролей, классификации должностей и определения их места в иерархии. Она поддерживает английский язык. Лицензия — Llama 3.1. В карточке нет сведений о данных обучения, метриках, результатах тестирования или подробных ограничениях; качество классификации и устойчивость к различиям в названиях должностей не описаны.

LUKE Japanese Large — разработанная Studio Ousia японская версия предварительно обученной трансформерной модели LUKE с представлениями слов и сущностей, обогащёнными знаниями. Модель обрабатывает слова и сущности как отдельные токены и выдаёт их контекстуализированные представления; включает эмбеддинги сущностей из Википедии. Параметров — 436,2 млн, архитектура — LUKE, класс LukeForMaskedLM, максимальная длина контекста — 514 токенов. Модель предназначена для японских NLP-задач, в частности предсказания замаскированных токенов и задач, использующих сущности Википедии. В README приведены результаты оценки на dev-наборе JGLUE для классификации тональности, семантического сходства, вывода и вопросов на здравый смысл. Для задач, использующих только слова и не требующих сущностей Википедии, разработчики рекомендуют облегчённую версию. Модель распространяется по лицензии Apache-2.0.

PS4Research публикует для практикума marimo копию CLIP ViT-B/32 от OpenAI, сохранённую в формате safetensors вместе с предобработчиком. Веса не изменялись и не дообучались; репозиторий закрепляет конкретную ревизию openai/clip-vit-base-patch32, чтобы ноутбуки практикума использовали те же веса, что и каталог PS4Research/marimo-workshop-catalogue. Модель сопоставляет изображения и текстовые метки, что позволяет классифицировать изображения по заданным пользователем категориям без отдельного обучения классификатора. Она подходит для демонстраций и экспериментов с zero-shot-классификацией в Transformers. Лицензия репозитория — MIT; для сведений о предполагаемом применении, ограничениях и смещениях README отсылает к карточке исходной модели.