I.11Классификация, ранжирование и сопоставление

YeRyeongLee/electra-base-discriminator-finetuned-filtered-0602 — дообученная модель классификации последовательностей на базе google/electra-base-discriminator. Она предназначена для классификации текста; набор данных и конкретные классы в карточке не раскрыты. Архитектура — ELECTRA с плотными слоями, 136,7 млн параметров; модель использует PyTorch и принимает контекст до 512 токенов. В README приведены результаты на оценочной выборке: loss 0,1685, accuracy 0,9720 и F1 0,9721; без описания выборки и меток эти показатели сложно интерпретировать. Лицензия — Apache-2.0.

leomaurodesenv/electra-base-discriminator-nvidia-aegis-v1 — дообученная модель на основе google/electra-base-discriminator для классификации текстов. Она построена на архитектуре ELECTRA и содержит 136,7 млн параметров; принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. В метаданных Hugging Face для неё указана задача text-classification, а README сообщает accuracy 0,8834 и loss 0,3026 на оценочном наборе. Модель может применяться для присвоения текстам классов, если набор меток и данные соответствуют задаче пользователя. Язык и назначение классификатора, а также состав меток не раскрыты, поэтому его точность для конкретных данных нельзя оценить по карточке. README указывает неизвестный обучающий набор и не приводит дополнительных сведений о применении. Базовая модель описана как англоязычный энкодер; английский язык — обоснованное предположение, но карточка не подтверждает языковой охват дообученного классификатора. Лицензия — Apache-2.0.

empire-content-distilbert — дообученная модель DistilBERT для классификации текстов, опубликованная пользователем WealthFromAI. Она основана на distilbert-base-uncased и реализована как DistilBertForSequenceClassification. Модель предназначена для присвоения тексту одной из категорий; конкретные категории и целевая область применения не описаны. В README приведены результаты оценки: accuracy 0,9814, macro F1 0,9817 и loss 0,0786. Эти показатели относятся к неуказанному набору данных, поэтому их нельзя считать гарантией качества на других текстах. Контекст модели — до 512 токенов; репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0.

ERABI（えらび）は、SugarKnightが開発した約438M параметровын GLiClass мәтін классификация моделінің қосымша үйретілген нұсқасы. Ол жағдайды, шешім өлшемін және 2–16 нұсқаны қабылдап, әр нұсқаға ықтималдық үлестірімін қайтарады; мәтін генерацияламайды және құралдарды орындамайды. Модель әңгіме жүйесінде құрал таңдау, ойын NPC әрекетін жіктеу және командалардың қауіптілігін бағалау сияқты жергілікті шешім қабылдау тәжірибелеріне арналған. README-дегі 150 мысалдық салыстыруда ERABI кейбір конфигурациялармен тексерілген; бұл шектеулі жиынтық жалпы өнімділік кепілдігі емес. Жапон, ағылшын және қытай тілдеріндегі деректер қолданылған, кіріс ұзындығы 512 токенмен шектеледі. Модель PyTorch safetensors және CPU-ға арналған ONNX FP32, GPU-ға арналған ONNX FP16 форматтарында беріледі. Ықтималдықтар калибрленбеген, ал FP16 дөңгелектеуі жақын нәтижелердің ретін өзгертуі мүмкін. Қауіпті командаларды жіктеу оларды орындауға рұқсат бермейді, сондықтан бөлек қауіпсіздік бақылауы қажет. Модель лицензиясы Apache-2.0; Python коды MIT лицензиясымен таратылады.

NorskHelsenett eti-reranker-v1 — переранжировщик для норвежских медицинских текстов, разработанный на основе BAAI/bge-reranker-v2-m3. Это дообученный Cross Encoder на базе XLM-RoBERTa: он совместно обрабатывает запрос и документ и выдаёт один числовой балл релевантности для сортировки результатов поиска. Модель рассчитана на норвежский язык, включая запросы и документы о здравоохранении, и может применяться для семантического поиска и улучшения выдачи по медицинским материалам. Модель обучена на 1 130 346 примерах с запросами, документами и оценками релевантности. В карточке указана максимальная длина последовательности 2048 токенов; метаданные каталога сообщают нативный контекст 8194 токена. На приведённых наборах dev_rerank и test_rerank показаны высокие значения nDCG@10 — 0,9969 и 0,9945 соответственно. Эти результаты относятся к указанным наборам и не гарантируют качество на других данных. Лицензия — Apache-2.0.

FrALBERT Base — базовая франкоязычная модель семейства ALBERT, разработанная Qwant и предварительно обученная на французской Википедии с помощью задач masked language modeling и Sentence Ordering Prediction. Это двунаправленный Transformer с разделением весов между повторяющимися слоями: в README указаны 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; метаданные указывают 137,8 млн параметров и контекст до 512 токенов. Модель без учёта регистра, использует токенизацию SentencePiece с размером словаря 32 000. Модель предназначена прежде всего для дообучения и извлечения признаков в задачах классификации последовательностей и токенов, ответов на вопросы и заполнения масок во французском тексте. Её можно использовать для предсказания скрытых слов; для генерации связного текста она не предназначена. Разделение весов уменьшает требования к памяти по сравнению с архитектурой без такого разделения, но не устраняет вычислительные затраты повторных проходов по слоям. Опубликована под лицензией Apache-2.0.

Sukanyan/google-bert_bert-large-uncased — дообученная англоязычная модель BERT Large для классификации текста. Она основана на google-bert/bert-large-uncased и использует архитектуру BertForSequenceClassification; размер составляет 433,9 млн параметров, а контекст ограничен 512 токенами. Модель можно применять для классификации текстовых последовательностей, например для определения тональности или отнесения текста к заданным категориям, если соответствующие классы предусмотрены обучением. В карточке приведены результаты оценки: loss 1,0402 и accuracy 0,5820. Обучающий датасет и конкретная схема классов не описаны, поэтому эти результаты не позволяют определить пригодность модели для отдельной задачи без дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

novacardsai разработала дообученную на медицинских текстах модель Sentence Transformer на базе Alibaba-NLP/gte-large-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству. Модель рассчитана на семантический поиск и сопоставление медицинских текстов, а также на кластеризацию и классификацию текстов. Максимальная длина последовательности — 8192 токена; веса доступны в формате safetensors и предназначены для использования с библиотекой Sentence Transformers. В README приведён результат cosine accuracy 0,9164 на проверочной выборке med_flashcard_val. Этот показатель относится к указанной выборке и сам по себе не гарантирует качество на других медицинских данных. Модель основана на англоязычной базовой модели, а примеры обучающих данных и проверочная выборка — на английском языке. Лицензия в предоставленных данных не указана.

Hindi ELECTRA — компактная языковая модель для представления текстов на хинди, опубликованная monsoon-nlp. Модель построена на архитектуре ELECTRA; в репозитории указано около 22,7 млн параметров и контекст до 512 токенов. Доступны версии для PyTorch, TensorFlow и safetensors. Модель обучена на корпусе, включающем дедуплицированные данные Hindi CommonCrawl из OSCAR и статьи Hindi Wikipedia. Она предназначена для извлечения признаков из текста и может служить основой для задач классификации новостей и анализа тональности отзывов на хинди; автор сообщает о сопоставимых с Multilingual BERT результатах на этих примерах. Автор рекомендует MuRIL для более широкого охвата индийских языков и латинизированной записи хинди. Условия лицензии в предоставленных данных не описаны.

HiT-MiniLM-L12-WordNetNoun — модель-энкодер Hierarchy Transformer Encoder (HiT), разработанная Yuan He, Zhangdie Yuan, Jiaoyan Chen и Ian Horrocks. Она дообучена на базе sentence-transformers/all-MiniLM-L12-v2 на иерархии гиперонимии существительных WordNet с использованием совместных гиперболических функций потерь для кластеризации и сближения связанных сущностей. Модель кодирует названия сущностей в текстовые эмбеддинги в гиперболическом пространстве, чтобы оценивать отношения включения и предсказывать, является ли одна сущность более частной разновидностью другой. Подходит для анализа таксономий, поиска иерархических связей между понятиями и исследований представления знаний. Это англоязычная модель на 40 млн параметров с контекстом до 512 токенов; веса доступны в формате safetensors. Лицензия — Apache 2.0. Обучение ориентировано на существительные и отношения гиперонимии WordNet, поэтому качество для иных типов сущностей и иерархий может отличаться. Модель предназначена для извлечения признаков и проверки отношений subsumption; README не заявляет о генерации текста.

ivanovsdesign/huawei-data-classification — русскоязычный классификатор текста, созданный дообучением BERT-модели blanchefort/rubert-base-cased-sentiment-rusentiment с помощью AutoTrain. Модель предназначена для отнесения текста к заданным категориям; карточка указывает задачу классификации текста, но не описывает сами категории и целевую область применения. Модель использует архитектуру BERT для классификации последовательностей, содержит около 205,1 млн параметров и рассчитана на контекст до 512 токенов. Валидационные метрики в README: accuracy и micro-F1 около 0,673, macro-F1 около 0,455. Лицензия в предоставленных данных не указана.

kforth/IfcSpace2SpaceTypes — модель Sentence-Transformers, разработанная Касимиром Форthом и Андре Боррманом для сопоставления текстов в задачах семантического обогащения BIM-моделей и энергетического моделирования зданий. Она дообучена на основе google-bert/bert-base-german-cased и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 136,3 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Обучение использовало MultipleNegativesRankingLoss с косинусной мерой сходства. Карточка связывает её с исследованием о сопоставлении текстов для BIM и моделирования энергетических характеристик зданий; немецкая базовая модель указывает на основной язык — немецкий. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Anwaarma/Improved-mBERT-attempt2 — мультиязычная модель классификации текста на основе BERT, дообученная на базе cardiffnlp/bert-base-multilingual-cased-sentiment-multilingual. По метрикам карточки, на оценочной выборке модель показала accuracy 0,83 и loss 0,4767; датасет и схема меток не описаны. Архитектура — BertForSequenceClassification, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Базовая модель предназначена для определения тональности коротких текстов, в том числе сообщений в социальных сетях, однако назначение дообучения этой версии отдельно не уточнено. Модель опубликована в формате PyTorch; условия лицензии в доступных данных не приведены.

JEPA Repo State — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, разработанный PeytonT как компонент Repository Library. Модель формирует представления состояния репозиториев и служит JEPA-подобным экспериментальным компонентом поискового стека для работы с кодом и данными о GitHub-репозиториях. Предназначена для извлечения признаков, поиска и ранжирования репозиториев, а также для маршрутизации и других сценариев в составе Repository Library. Архитектура — плотный BERT-энкодер размером 25,9 млн параметров; контекст — до 512 токенов. Веса представлены в формате safetensors. README сообщает об оценке по recall@10 и ndcg@10, но не приводит числовых результатов. Лицензия в предоставленных данных не указана.

Модель jesusromerodev/jesusromerodev-NLP-model-jesus-romero — дообученная для классификации текста версия distilroberta-base, опубликованная пользователем jesusromerodev. Она предназначена для отнесения текстовых последовательностей к классам; конкретные классы и прикладная область в карточке не описаны. Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров. Естественный язык текстов, на которых она обучалась, не указан. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: loss 0,6336, accuracy 0,8627 и F1 0,9031. Данные об оценочном наборе и методике измерений отсутствуют, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

LaBSE_geonames_RU_RELOCATION — дообученная artefucktor модель на базе sentence-transformers/LaBSE, предназначенная для работы с названиями географических объектов. Она преобразует названия городов из набора GeoNames cities500 RU и популярных стран для переезда в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель построена на архитектуре BERT, содержит 498,1 млн параметров и принимает тексты длиной до 512 токенов. Модель можно применять для поиска географических названий по смысловой близости и группировки похожих названий. Базовая LaBSE создаёт общий векторный язык для 109 языков; в карточке этой модели указаны русский и английский. Весы опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

LFM 350M-C — дообученный текстовый энкодер на основе LiquidAI/LFM2.5-Encoder-350M, опубликованный автором nebulette. Это двунаправленная masked language model семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов. Модель формирует pooled-векторное представление текста и обучена на парах текстов для сохранения семантического сходства. Модель предназначена для кодирования описаний изображений в аниме-стиле: она понимает как ключевые слова и подписи в формате booru, так и обычный естественный язык. Полученные представления можно подавать в совместимую модель text-to-image; заявлена совместимость с размерами эмбеддингов LFM 1024 и CLIP 768. Изображения модель не принимает и не кодирует. Для работы с текстом используется tokenizer, включающий необязательный pool-токен; английские стоп-слова удалены из обучающих подписей, а списки тегов перемешаны и скорректированы. Модель поддерживает английский язык. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с репозиторием. Автор отмечает ограниченность обучающих данных и то, что модель пока не понимает изображения; для задач с визуальным вводом предлагается другой репозиторий LFM-R.

llm-jp/llm-jp-modernbert-base — японская модель на архитектуре ModernBERT-base, разработанная проектом llm-jp. Это плотная модель с 186,8 млн параметров, обученная на японской части корпуса llm-jp-corpus v4 объёмом 3,4 ТБ с использованием llm-jp-tokenizer. Модель предназначена для заполнения пропусков в тексте и понимания японского языка; её проверяли на задачах JSTS, JNLI и JCoLA из набора JGLUE. Модель поддерживает последовательности длиной до 8192 токенов. Обучение проходило в два этапа: сначала с максимальной длиной 1024 токена, затем — 8192. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Карточка приводит результаты сравнительной оценки, но не описывает ограничения и не обещает качество на других задачах.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_11 — модель классификации текста, размещённая пользователем Jeevesh8 на Hugging Face. Она основана на BERT base uncased, исходная архитектура которого разработана Google, и предназначена для работы через Transformers с AutoModelForSequenceClassification или pipeline text-classification. В названии указана тонкая настройка для QQP (Quora Question Pairs), поэтому модель предназначена для классификации пар англоязычных вопросов, в частности для определения их смысловой эквивалентности; точные метки классов и качество именно этой версии в доступной карточке не описаны. BERT base uncased — двунаправленный Transformer примерно на 110 млн параметров, обученный для английского языка; модель не различает регистр. Идентификатор указывает на длину последовательности 128 токенов. Модель работает только с текстом и не предназначена для генерации. Её сильная сторона — использование предварительно обученного BERT для классификации предложений и их пар, однако отсутствие model card не позволяет надёжно установить детали дообучения, точные ограничения, метрики, параметры оптимизации и дополнительные языки. Лицензия для этой производной модели на странице модели не указана. Для базового bert-base-uncased на Hugging Face указана Apache-2.0, но это не подтверждает автоматически лицензию данной производной версии.

mc_roberta_base — дообученная модель на базе FacebookAI/roberta-base, разработанная yamanpareek-iitm. Она предназначена для выбора правильного варианта ответа среди нескольких предложенных. В README указаны результаты на оценочной выборке: loss 0,9847 и MAP@3 0,8938; датасет обозначен как None, поэтому эти показатели нельзя связать с конкретной областью или набором данных. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текстовые входные данные для задачи multiple-choice. Максимальный размер контекста — 514 токенов. Распространяется по лицензии MIT.

model_part3_muril_final_fixed — модель классификации последовательностей на архитектуре BERT, опубликованная пользователем Alamin2230. В README указано, что модель обучена с нуля; её размер составляет 264,8 млн параметров, максимальная длина контекста — 512 токенов, веса представлены в формате safetensors. Модель предназначена для классификации текстовых последовательностей. На оценочном наборе автор сообщает F1 0,9742, точность 0,9913 и полноту 0,9578. Назначение классов, языки, данные обучения и лицензия в доступных сведениях не описаны, поэтому применимость к конкретной предметной области оценить нельзя.

davanstrien разработал эту модель на базе answerdotai/ModernBERT-base, дообучив её на наборе davanstrien/natural-reasoning-classifier. Это encoder-модель ModernBERT с 149 млн параметров, предназначенная для классификации веб-текстов по уровню сложности рассуждений от 0 до 4: от простого извлечения фактов до экспертного анализа и синтеза новых идей. Модель принимает текст и выдаёт оценку класса; контекст составляет до 8192 токенов. Её используют для отбора образовательных материалов и сложных задач, а также как первый фильтр при подготовке данных для обучения моделей рассуждению. В карточке приведены результаты оценки: MSE 0,2034, MAE 0,2578 и корреляция Спирмена 0,6963. Предсказания зависят от распределения областей в исходном наборе данных, а оценка сложности рассуждений субъективна и зависит от контекста. Модель распространяется по лицензии Apache-2.0.

ModernBERT-Ja-70M — двуязычная модель SB Intuitions для восстановления замаскированных фрагментов японского и английского текста и дообучения на прикладных задачах понимания языка. Это плотная архитектура ModernBERT с 70 млн параметров, локальным и глобальным вниманием и RoPE; она рассчитана на контекст до 8192 токенов. Модель обучена на корпусе японских и английских текстов объёмом около 4,39 трлн токенов и использует токенизатор SentencePiece с unigram-моделью и словарём из 102 400 токенов. Модель подходит как основа для классификации текста, оценки сходства и других задач понимания после дообучения. Она принимает текст и предсказывает замаскированные токены; для генерации связного текста не предназначена. Токенизация может ухудшать качество задач, требующих точных границ морфем, например распознавания именованных сущностей и извлечения фрагментов. Лицензия — MIT.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_13 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. По идентификатору и странице модели она относится к семейству BERT и связана с дообучением на MNLI; предназначена для задач текстовой классификации и может загружаться через Transformers как AutoModelForSequenceClassification. Максимальная длина последовательности указана в названии как 128 токенов. Доступные сведения ограничены: карточка модели отсутствует, поэтому точные параметры архитектуры, число параметров, набор меток, языки, метрики качества, сильные стороны и ограничения надёжно не установлены. Модель не развернута через Inference Providers. Лицензия на странице модели не указана, поэтому условия использования определить нельзя.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_53 — модель классификации текста, размещённая пользователем Jeevesh8 на Hugging Face. Она основана на BERT base uncased и дообучена на задаче MultiNLI (MNLI), поэтому предназначена для классификации текстовых пар и задач, связанных с определением текстовых отношений, включая entailment, contradiction и neutral, в зависимости от используемой схемы меток. Из доступных данных известны архитектурная основа BERT, англоязычная uncased-токенизация и ограничение длины последовательности 128 токенов. Модель поддерживает использование через библиотеку Transformers и интерфейс text-classification; её можно загрузить как AutoModelForSequenceClassification. Суффикс имени указывает на варианты обучения с перемешиванием, warmup, clipping, weight decay 0 и другими параметрами эксперимента, но подробности конфигурации и метрики не опубликованы. Сильные стороны модели — готовность к применению для текстовой классификации и использование предварительно обученной BERT-архитектуры. Ограничения включают отсутствие карточки модели, неизвестные точные метки классов, качество на конкретных наборах данных, языковую поддержку сверх английского, размер модели и подробные параметры обучения. Лицензия в доступных материалах не указана.

Это англоязычная SentenceTransformer-модель, дообученная krishanusinha20 на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстовых запросов с SQL-запросами. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а в конфигурации README задана максимальная длина последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования похожих формулировок запросов и SQL, поиска перефразировок, кластеризации и классификации текстов. В примерах обучения представлены пары вопросов на английском языке и соответствующих SQL-запросов; обучающий набор содержит 10 примеров, поэтому качество на широком круге схем баз данных и формулировок может быть ограниченным. Лицензия в предоставленных данных не указана.

Модель разработана пользователем owaiskha9654 и предназначена для многометочной классификации статей PubMed по медицинским темам MeSH. В README описана тонкая настройка BioBERT на датасете PubMed_MultiLabel_Text_Classification_Dataset_MeSH с использованием transfer learning; также автор экспериментировал с RoBERTa и XLNet. Метаданные указывают на архитектуру BERT для классификации последовательностей, 135,5 млн параметров, контекст до 512 токенов и веса в форматах PyTorch и Safetensors. Модель принимает текст статьи и предсказывает несколько тематических меток, что подходит для автоматической индексации и тематической сортировки медицинской литературы. Указан английский язык. README не сообщает условия лицензии, поэтому условия использования определить по доступным данным нельзя; карточка также не содержит результатов оценки качества.

MyAwesomeModel — модель из репозитория DSD1W3123/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных она классифицирована как модель для извлечения признаков; среди тегов указаны PyTorch и BERT. README также заявляет улучшенные возможности рассуждений, понимания текста, генерации кода, диалогов, суммаризации, классификации и ответов на вопросы, а также поддержку function calling. Однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными техническими сведениями о размере, контекстном окне, языках или точной архитектуре модели. Модель может использоваться для получения векторных представлений текста и последующего применения в задачах семантического поиска, классификации или других downstream-сценариях, совместимых с извлечением признаков.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в формате Hugging Face Transformers с поддержкой PyTorch. По метаданным она предназначена прежде всего для извлечения признаков из текста, то есть получения векторных представлений, пригодных для последующей классификации, поиска и других задач машинного обучения. В README заявлены улучшения рассуждений, понимания языка, генерации кода и текста, ответов на вопросы, суммаризации, перевода, диалогов, вызова функций и работы с файлами или результатами веб-поиска. Однако эти описания относятся к широкому набору возможностей и не согласуются напрямую с pipeline-тегом feature-extraction, поэтому для каталога основной подтверждённой задачей следует считать извлечение признаков. К сильным сторонам относятся совместимость с Transformers и PyTorch, а также заявленная эффективность на математических, логических и языковых тестах. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, разработанная владельцем репозитория safafa34235 и предназначенная для использования через библиотеку Transformers на PyTorch. Основная задача модели — преобразовывать текстовые входы в векторные представления, пригодные для последующей обработки в прикладных ML-системах. README также заявляет о возможностях рассуждения, ответов на вопросы, классификации, генерации текста, программирования, суммаризации, диалога, function calling и работы с файлами или веб-поиском. Однако эти сценарии не согласуются с pipeline-тегом feature-extraction и не подтверждены техническими метаданными модели, поэтому их следует рассматривать как заявленные в карточке, а не как надежно установленные возможности данной конфигурации. Модель распространяется по лицензии MIT и интегрируется с экосистемой Transformers. В карточке не приведены точные сведения о числе параметров, контекстном окне, поддерживаемых естественных языках и результатах воспроизводимой оценки для этой конкретной модели.