I.11Классификация, ранжирование и сопоставление

X-CLIP — видеоязыковая модель семейства CLIP от Microsoft, обученная на UCF101 в режиме few-shot с четырьмя примерами на класс. Это модель архитектуры XCLIPModel в базовом размере с патчами 16 пикселей, доступная в формате PyTorch и распространяемая по лицензии MIT. Модель сопоставляет видео и текст с помощью контрастивного обучения. Её можно применять для классификации видео в режимах zero-shot, few-shot и с учителем, а также для поиска соответствий между видео и текстовыми описаниями. При обучении использовались 32 кадра на видео с разрешением 224×224; на UCF101 указана точность top-1 83,4%. Модель предназначена для общего распознавания действий и видео-текстового поиска. Её обучение на UCF101 и коротких видеоклипах ограничивает перенос результатов на другие домены и форматы видео; качество для конкретного сценария следует оценивать отдельно.

AfriBERTa base — предварительно обученная многоязычная языковая модель семейства XLM-RoBERTa, разработанная исследователями из группы CLaC при Университете Ватерлоо. Она предназначена для дальнейшей настройки и применения к текстам на африканских языках, в том числе для заполнения масок и задач классификации текста и распознавания именованных сущностей. Архитектура — плотный трансформер XLM-RoBERTa с 8 слоями, 6 головами внимания и размером скрытого слоя 768; в метаданных указано 129,3 млн параметров и контекст до 514 токенов. Модель обучалась на корпусах BBC и Common Crawl для африкаанс? Основные языки обучения — Afaan Oromoo, амхарский, Gahuza (киняруанда и кирунди), хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для задач классификации и распознавания сущностей показала конкурентные результаты на ряде африканских языков, включая некоторые языки, на которых не обучалась. Используйте её как основу для настройки под конкретную задачу или для предсказания замаскированных токенов. Лицензия в предоставленных данных не указана.

Agree_binary — англоязычная модель классификации текста, созданная дообучением DeBERTa-v3-base компании Microsoft. Она предназначена для бинарной классификации текста; README сообщает о точности 0,7584, F1 0,7795 и AUC 0,8416 на оценочном наборе, но не раскрывает классы и предметную область. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст с контекстом до 512 токенов. Модель распространяется по лицензии MIT. Поскольку README не описывает обучающий набор и целевые метки, пригодность для конкретного сценария следует оценивать по собственным данным.

loodos выпустила эту предобученную модель ALBERT-Base для работы с текстами на турецком языке. Она построена на архитектуре ALBERT с 12 повторно используемыми слоями энкодера и размером скрытого представления 768; модель обучена на турецком корпусе без учёта регистра. В репозитории доступны веса PyTorch и TensorFlow, максимальная длина контекста — 512 токенов. Модель предназначена для дальнейшей настройки и применения в задачах обработки турецкого текста, например классификации или извлечения признаков. В README отмечена проблема токенизации турецких букв «ı», «i», «I», «İ» и других символов: нормализация токенизатора может искажать текст и приводить к потере информации. Для обучения на тексте без учёта регистра авторы предлагают использовать собственный модуль нормализации. Лицензия в предоставленных сведениях не указана.

ALBERT Base v1 — англоязычная модель Albert AI, опубликованная командой Google Research и представленная в исследовательской работе об ALBERT. Это трансформерный энкодер, предварительно обученный на BookCorpus и англоязычной Википедии с помощью предсказания замаскированных токенов и порядка предложений. Основное применение — восстановление пропущенных слов в тексте; модель также можно дообучать для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Архитектура использует 12 повторно применяемых слоёв с общими весами, 12 голов внимания, размерность скрытого состояния 768 и размерность эмбеддингов 128. Метаданные указывают 136,3 млн параметров; в README приведена оценка 11 млн, поэтому размер параметров в источниках расходится. Модель регистронезависима, использует SentencePiece с размером словаря 30 000 и принимает последовательности до 512 токенов. Доступны веса PyTorch, safetensors и TensorFlow. Модель компактнее по памяти благодаря разделению весов между слоями, но повторное применение слоёв сохраняет вычислительную нагрузку. Для специализированных задач её обычно дообучают; версия v1 уступает v2 на большинстве указанных в README downstream-бенчмарков. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

dorrito-dev/all-MiniLM-L6-v2-pmc-vet-retriever — англоязычный текстовый энкодер Sentence Transformers, дообученный автором на наборе pmc-vet-ntuples для поиска ветеринарной клинической информации. Архитектура основана на BERT: модель содержит около 25,9 млн параметров, формирует плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Метаданные указывают контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и ранжирования клинических текстов: запрос и документы преобразуются в векторы, после чего подходящие фрагменты можно находить по близости векторов. В README приведены результаты оценки на vet-clinical-ir, включая cosine_accuracy@10 0,9929 и nDCG@10 0,9349. Она принимает текст и выдаёт векторы; генерация ответов не заявлена. Лицензия в предоставленных данных не указана.

timotheeplanes/anti-doping-bert-base — модель Sentence-Transformers на основе BERT, адаптированная к языку антидопинговой практики. Разработчик дообучил предварительно обученную трансформерную модель на антидопинговых текстах с помощью задачи masked language modeling и обучения эмбеддингов методом Transformer-based Sequential Denoising Auto-Encoder. Модель преобразует предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и извлечения признаков для последующих задач, например классификации размеченных предложений. Поддерживает английский язык; максимальная длина контекста — 512 токенов, размер модели — 136,7 млн параметров. Модель подходит для поиска и анализа текстов в антидопинговой области, но сама по себе не выполняет классификацию без отдельного обученного классификатора. Лицензия — Apache-2.0.

Shaer-AI/ARBERT-base-submeter-classifier — дообученная модель классификации текста на основе ARBERT от UBC-NLP. Она предназначена для присвоения меток текстовым последовательностям; карточка сообщает о дообучении на датасете, обозначенном как None. Модель построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. Базовый ARBERT предварительно обучен для арабского языка MSA. На оценочном наборе указаны accuracy 0,9709, macro F1 0,6021 и weighted F1 0,9654. Сведения о классах, предметной области и ограничениях применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

rss9051/autotrein-BERT-iiLEX-dgs-0002 — модель классификации текста, созданная с помощью AutoTrain на основе дообученной модели iiLEX/autotrein-BERT-iiLEX-dgs-0001. Она предназначена для отнесения португалоязычных текстов к заданным классам. Модель построена на архитектуре BERT, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены метрики валидации: accuracy и micro F1 составляют около 0,674, macro F1 — около 0,519. Эти результаты указывают на умеренное качество классификации и могут зависеть от набора данных и распределения классов. Веса опубликованы в формате safetensors; лицензия в доступных сведениях не указана.

sentence-transformers/bert-base-nli-stsb-mean-tokens — модель Sentence-Transformers на базе BERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов; для построения эмбеддингов используется pooling контекстных представлений BERT. Модель доступна в форматах PyTorch, TensorFlow, JAX, ONNX и OpenVINO и распространяется по лицензии Apache-2.0. Авторы пометили её как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых систем семантического поиска и сравнения предложений рекомендуются более современные модели.

leomaurodesenv/bert-base-uncased-nvidia-aegis-v2 — дообученная англоязычная модель BERT для классификации текста, основанная на google-bert/bert-base-uncased. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для задач классификации текста; в README приведены результаты оценки: accuracy 0,8490 и loss 0,3392. Датасет обучения и конкретная схема классов не раскрыты, поэтому результаты нельзя уверенно переносить на произвольные задачи или домены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

boltuix/bert-large — англоязычная модель BoltUIX на архитектуре BERT, представленная как вариант для задач понимания текста. Это дообученная версия google/bert-base-uncased с 117,8 млн параметров; модель использует двунаправленный трансформер, WordPiece и контекст до 512 токенов. В метаданных указаны класс BertForMaskedLM, формат safetensors и задача fill-mask; карточка также описывает предобучение с целями masked language modeling и next sentence prediction на BookCorpus и англоязычной Wikipedia. Модель можно применять для предсказания пропущенных слов, а после дополнительной настройки — для классификации последовательностей и токенов, анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о логических связях между предложениями. Карточка сообщает о сильных результатах на GLUE, но не приводит численных метрик, поэтому сравнить качество по конкретным показателям нельзя. Модель рассчитана на английский язык и не предназначена для генерации текста; размер чекпойнта около 365 МБ требует заметных вычислительных ресурсов и ограничивает использование на маломощных устройствах. Обучающие данные могут содержать социальные предубеждения. Лицензия — MIT.

sentence-transformers/bert-large-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024, предназначенные для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; модель содержит 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель можно использовать для семантического поиска, сравнения предложений и группировки текстов по смыслу. Доступны версии весов в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Репозиторий распространяется по лицензии Apache-2.0. В карточке авторы предупреждают, что модель устарела и выдаёт эмбеддинги низкого качества, поэтому для новых проектов рекомендуют выбрать более современные модели Sentence Transformers.

boltuix/bert-pro — англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Это трансформер с 136,7 млн параметров и контекстом до 512 токенов; для предобучения использовались BookCorpus и Wikipedia, а карточка сообщает об оценке на задачах GLUE. Модель поддерживает заполнение маски: предсказывает пропущенные слова в тексте. Модель предназначена для дальнейшей настройки под классификацию последовательностей и токенов, анализ тональности, распознавание сущностей, ответы на вопросы и вывод на естественном языке. Она принимает текст и выдаёт предсказания для маскированных токенов; генерация произвольного текста не является её назначением. Английская чувствительность к регистру отключена, используется WordPiece-токенизация. В метаданных указана лицензия MIT. Карточка предупреждает о возможных предубеждениях в данных BookCorpus и Wikipedia и о значительных требованиях к ресурсам; для ограниченных устройств рекомендуется рассмотреть сжатие модели.

Карточка модели google/bert_uncased_L-10_H-512_A-8 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

Карточка модели google/bert_uncased_L-10_H-768_A-12 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

Sailesh9999/bge-base-financial-matryoshka_2 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Архитектура BERT использует CLS-пулинг и нормализацию и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; близость текстов оценивается косинусным сходством. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и извлечения финансовой информации, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. Благодаря обучению Matryoshka можно использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64, с некоторым снижением показателей поиска при уменьшении размерности. В README приведены результаты оценки InformationRetrievalEvaluator на наборе данных, но его название не указано. Модель принимает текст и выдаёт векторы эмбеддингов; она не генерирует ответы. Выпущена под лицензией Apache-2.0. Ее заявленные языковые характеристики и примеры обучения относятся к английскому; качество на других языках не подтверждено.

Англоязычная модель Sentence Transformer, дообученная juanpablomesa на базе BAAI/bge-small-en-v1.5 на примерах из BIOASQ. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства текстов и подбора ответа к вопросу; сходство векторов можно оценивать косинусной мерой. Архитектура состоит из BERT-энкодера, CLS-пулинга и нормализации. Модель содержит около 40 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. Обучающие примеры связывают вопросы с фрагментами ответов из биомедицинской литературы, поэтому модель подходит для поиска релевантных публикаций и фрагментов по англоязычным запросам в биомедицинских корпусах. Она также может использоваться для кластеризации, поиска перефразировок и признаков для классификации текста. Это модель эмбеддингов, а не генератор ответов; заявленная специализация и оценка относятся к обучающим данным BIOASQ, поэтому качество на других областях и языках может отличаться.

category-v10 — дообученная модель классификации текстов на базе simpliTax/bert-automap-pbt-fine-tuned, разработанная simpliTax. Она предназначена для присвоения тексту категории; конкретная схема категорий и целевая область применения в карточке не описаны. Модель использует архитектуру BERT для классификации последовательностей, содержит 137 млн параметров и принимает тексты длиной до 512 токенов. В оценке указаны accuracy 0,5948, macro F1 0,1717 и weighted F1 0,5197. Данные обучения обозначены как None, поэтому оценить охват категорий и репрезентативность обучения нельзя. Модель опубликована в формате safetensors под лицензией MIT.

Certo-R1 — языковая модель для кратких рассуждений при выборе между вариантами ответа, разработанная на базе Qwen/Qwen3-4B команды Alibaba Qwen. Модель получена дообучением LoRA ранга 16, объединённой с базовыми весами; использует архитектуру Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для коротких вычислительных и композиционных задач, в том числе как этап эскалации в каскаде принятия решений: простая модель обрабатывает уверенные случаи, а Certo-R1 формирует краткое обоснование для более сложных. Она выдаёт ответ с рассуждением в одном-двух предложениях и завершает его маркером FINAL ANSWER:. В заявленной оценке на десяти семействах задач краткое рассуждение было не хуже полного в пределах заранее заданного допуска и требовало примерно в 15 раз меньше токенов. Certo-R1 выдаёт наиболее вероятный вариант, а не калиброванную вероятность. Проверка ограничена десятью семействами коротких вычислительных и композиционных задач; модель не валидирована для длинных документов и других типов задач и не позиционируется как универсальный чат-бот.

VuongQuoc/checkpoints_28_9_microsoft_deberta_V2 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит около 533,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, базовая модель — microsoft/deberta-v3-large. Модель предназначена для оценки вариантов ответа и выбора наиболее подходящего, например, в тестах и викторинах. В README приведены результаты на наборе оценки: MAP@3 0,8842 и точность 0,815; набор данных обозначен как None, поэтому по карточке нельзя определить предметную область обучения. Лицензия — MIT. Подробности об ограничениях и назначении автором не приведены.

CRAB_xlm_roberta_base_finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе FacebookAI/xlm-roberta-base. Она предназначена для задач выбора одного ответа из нескольких вариантов и использует архитектуру XLMRobertaForMultipleChoice. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для тестов с вариантами ответа и других задач, где нужно ранжировать предложенные варианты по соответствию тексту. В карточке указаны результаты оценки: loss 1,0477 и F1 0,7556; набор данных для обучения не описан. Базовая XLM-RoBERTa многоязычная, поэтому модель может быть полезна для текстов на разных языках, но конкретный набор поддерживаемых языков и прикладную область карточка не уточняет. Лицензия — MIT.

Czert-B-base-cased — чешская BERT-подобная модель, представленная в работе «Czert – Czech BERT-like Model for Language Representation». Это предварительно обученный чекпойнт для заполнения пропусков в тексте; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В репозитории доступны веса PyTorch и TensorFlow. Модель обучена для чешского языка и может служить основой для дообучения на классификации тональности и документов, оценке семантического сходства предложений, распознавании именованных сущностей, морфологической разметке и семантическом анализе ролей. В версии Czert-B-v2 исправлена ошибка настройки токенизатора, присутствовавшая в v1; для этой карточки README указывает вариант base-cased. Опубликованные сравнения показывают результаты на перечисленных чешских задачах, но качество на других данных не гарантировано. Для задач классификации и разметки может потребоваться соответствующая дообученная модель. Сведения о лицензии в предоставленных материалах отсутствуют.

microsoft/deberta-v2-xlarge-mnli — модель классификации текста от Microsoft, основанная на DeBERTa V2 и дообученная на задаче MNLI. Архитектура DeBERTa V2 использует раздельное представление содержимого и позиций в механизме внимания и улучшенный декодер маскирования; модель имеет 24 слоя, размер скрытого представления 1536 и около 1,1 млрд параметров по метаданным. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классификации. Модель предназначена прежде всего для распознавания отношений между посылкой и гипотезой, включая определение логического следования, противоречия или нейтрального отношения. Дообучение на MNLI также может быть полезной отправной точкой для задач понимания естественного языка, например классификации текстовых пар. В карточке приведены результаты для ряда контрольных наборов NLU, но они не описывают отдельную оценку этой версии на всех перечисленных задачах. Лицензия — MIT.

DeBERTaV3 xsmall — англоязычная языковая модель Microsoft на архитектуре DeBERTaV2 для задач понимания текста. Она использует раздельное кодирование содержимого и позиционной информации в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов эмбеддингов. Версия xsmall состоит из 12 слоёв со скрытым размером 384; в ней 22 млн параметров в основной части и 48 млн в слое эмбеддингов. Общий размер по метаданным — 77,5 млн параметров, словарь содержит 128 тысяч токенов, длина контекста — до 512 токенов. Модель предназначена для восстановления замаскированных токенов и может служить компактной основой для дообучения на задачах понимания естественного языка, например классификации текста и ответов на вопросы. В карточке приведены результаты дообучения на SQuAD 2.0 и MNLI. Метаданные указывают поддержку английского языка и форматы PyTorch и TensorFlow. Лицензия MIT разрешает свободное использование с соблюдением её условий.

abandekar-dev/distilbert-onet — модель классификации текста, созданная дообучением DistilBERT разработчиком Abandekar. Она предназначена для отнесения текстовых последовательностей к классам; конкретная предметная область и состав классов в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification и формат весов safetensors, работает с контекстом до 512 токенов и основана на distilbert/distilbert-base-uncased. На указанном в README наборе оценки модель показала accuracy 0,7840 и macro-F1 0,7159 при loss 0,6841. В README отмечено, что модель дообучена на наборе данных, названном None, поэтому назначение и переносимость результатов оценить сложно. Лицензия — Apache-2.0.

Ludo33/e5_General_2026_V2 — дообученная модель на базе intfloat/multilingual-e5-base, опубликованная в формате safetensors и использующая архитектуру XLM-RoBERTa для классификации текста. В карточке указаны взвешенная F1-мера 0,898 и loss 0,2693 на оценочном наборе, но сведения о данных и назначении классов отсутствуют. Модель предназначена для классификации текста; базовая multilingual-e5-base преобразует текст в эмбеддинги и поддерживает многоязычный поиск и сопоставление предложений. Доступный контекст составляет 514 токенов. Лицензия — MIT. Без описания датасета и меток нельзя определить, какие именно категории она предсказывает и насколько результаты применимы к конкретной задаче.

toastynews/electra-hongkongese-base-discriminator — базовая модель ELECTRA, обученная разработчиком ToastyNews на корпусе из Гонконга. Она предназначена для последующего дообучения под задачи обработки гонконгского варианта кантонского языка (Yue), а также стандартного китайского и английского. Модель содержит 136,3 млн параметров, использует архитектуру ELECTRA с дискриминатором для предобучения и поддерживает контекст до 512 токенов; доступны веса PyTorch и TensorFlow. Корпус включает около 507 млн символов: новости и блоги, Yue Wikipedia и другие источники, отзывы о ресторанах. В его языковом составе около 62% стандартного китайского, 30% гонконгского и 8% английского. В сравнительных оценках модель показала лучшие результаты, чем использованная китайская модель, на задачах тональности отзывов, категоризации и семантического сходства, а китайская модель была сильнее на DRCD. Лицензия — Apache-2.0. Это базовый чекпойнт, поэтому для прикладных задач требуется дообучение. Знания о мире могут быть уже, чем у моделей, обученных на более обширных китайских корпусах; данные преимущественно из новостей и блогов могут смещать ответы в сторону формального языка.

Это дообученная kugu модель Qwen3 на 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Instruct-2507 с помощью Unsloth и библиотеки TRL. По названию репозитория она предназначена для классификации электронных писем; карточка не уточняет категории, обучающие данные и качество классификации. В метаданных указаны задача генерации текста, диалоговые возможности и контекст до 262 144 токенов, а также поддержка английского языка. Модель принимает текст и выдаёт текст, поэтому её можно применять для классификации писем с помощью инструкций и генерации ответа с меткой. Доступна в формате safetensors. Лицензия — Apache-2.0; конкретные результаты и надёжность для рабочих сценариев в карточке не описаны.

minoosh/finetuned_roberta-base-uncased — дообученная модель классификации последовательностей на базе xlm-roberta-base, опубликованная автором minoosh. Она предназначена для отнесения текста к классам; конкретные метки и прикладная область в карточке не раскрыты. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch, лицензия MIT. На указанном в карточке наборе оценки модель достигла accuracy 0,6519 и loss 1,4799. Датасет обозначен как None, поэтому по карточке нельзя определить предметную область, языки обучения или то, насколько эти результаты переносятся на другие данные.