I.11Классификация, ранжирование и сопоставление

dpshade22/hf-e5-bible-150 — дообученная модель Sentence Transformers на основе intfloat/e5-base-v2, созданная для получения плотных векторных представлений предложений и абзацев. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией векторов; размерность эмбеддинга — 768. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации по эмбеддингам. Примеры обучающих пар связывают запросы с фрагментами Библии и материалами о библейских понятиях, поэтому модель ориентирована на поиск смысловых соответствий в таких текстах. Для сравнения векторов рекомендуется косинусное сходство. В карточке указаны Sentence Transformers и формат safetensors; отдельная лицензия не приведена в доступных данных.

hinglish-relatedness-sbert — модель Sentence Transformers, дообученная автором gauravgandhi2411 на базе l3cube-pune/indic-sentence-bert-nli с помощью LoRA и сложных отрицательных примеров. Она оценивает смысловую связанность коротких слов и фраз на хинглише, записанном латиницей, и английском: например, может считать прогноз и погоду связанными, даже если они не синонимы. Модель предназначена прежде всего для ранжирования словесных догадок в игре Warmer по косинусному сходству векторных представлений. Это плотная BERT-модель на 264,8 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. Для её прямого использования подходят короткие входы длиной 1–5 токенов на хинглише или английском; README не описывает её как модель для длинных текстов, RAG или входа на деванагари. По оценке автора, тестовый набор мал и включает 8 независимых кластеров слов, поэтому результаты имеют существенную неопределённость; сложные редкие слова и ассоциативные связи остаются проблемными. Лицензия — CC BY 4.0.

Anwaarma/Improved-xlm-attempt2 — дообученная модель классификации текста на базе многоязычной XLM-RoBERTa, исходная модель предназначена для определения тональности твитов и коротких текстов. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. На оценочном наборе указаны accuracy 0,87 и loss 0,3637. Данные обучения и точное назначение классов не описаны, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

Italian ModernBERT — базовая модель семейства ModernBERT, разработанная DeepMount00 и предварительно обученная на итальянских текстовых корпусах. Она предназначена для языковых задач на итальянском языке, включая заполнение пропусков в тексте и классификацию последовательностей. Модель использует плотную архитектуру ModernBERT с 22 слоями и примерно 134,9 млн параметров. Контекстное окно составляет 8192 токена; применяются RoPE и чередование локального и глобального внимания. Токенизатор оптимизирован для итальянского языка, а для ускорения вычислений поддерживается Flash Attention 2. Модель рассчитана на итальянский язык и не подходит для других языков. Результаты могут отражать смещения обучающих данных. Лицензия — Apache 2.0.

KorSciDeBERTa — корейская языковая модель KISTI на архитектуре DeBERTa-v2 с 211,6 млн параметров. Она предварительно обучена на корпусе объёмом 146 ГБ, включающем научные статьи, исследовательские отчёты, патенты, новости и корейскую Википедию. Модель принимает текст и предсказывает замаскированные токены; максимальная длина контекста — 512 токенов. Модель предназначена для заполнения пропусков и дальнейшей тонкой настройки для классификации предложений, разметки токенов и ответов на вопросы. В карточке приведена оценка классификации научных публикаций: F1-micro 0,85 и F1-macro 0,52 по описанной авторами методике. Для работы могут потребоваться специфичный токенизатор KorSci и Mecab. Лицензия — MIT. Авторы предупреждают о возможных стереотипах, предвзятости, персональных данных и токсичном языке в результатах. Модель не предназначена для высокорисковых решений, включая применение в медицине, праве, финансах, образовании и найме.

lca-qwen3-embedding — специализированная модель эмбеддингов для поиска по данным оценки жизненного цикла продукции (LCA). Она дообучена разработчиком на базе Qwen/Qwen3-Embedding-0.6B и предназначена для сопоставления запросов с описаниями процессов, потоков и техническими записями с географическими, технологическими и временными полями. Модель использует архитектуру Qwen3 с 28 слоями и размером скрытого состояния 1024. Она кодирует предложения и короткие фрагменты в L2-нормализованные векторы размерности 1024; применяются pooling по последнему токену и косинусная близость. Максимальная длина последовательности в конфигурации — 1024 токена, хотя базовая модель поддерживает контекст до 32768 токенов. README сообщает об улучшении метрик поиска относительно базовой модели на внутренней оценке по записям TianGong LCA. Основные сценарии — семантический поиск, оценка сходства и кластеризация LCA-текстов. Модель обучалась и оценивалась преимущественно на английских технических данных, поэтому качество на других языках и в других областях может быть ниже; результаты внутренней оценки следует проверять на собственных данных. Лицензия — MIT.

LegalBenchRAG CUAD Top-One Reranker — англоязычный cross-encoder на архитектуре BERT, дообученный разработчиками модели на наборе orgrctera/legalbenchrag_cuad. Он оценивает пары «вопрос — фрагмент текста» и предназначен для второго этапа поиска: ранжирует уже найденные passages из договоров и юридических документов по их релевантности запросу. Самостоятельно документы не ищет и ответы не генерирует. Модель содержит 25,9 млн параметров и принимает пары текстов с контекстом до 512 токенов. В локальной оценке на фиксированном пилотном разбиении CUAD она показала MRR@10 0,8288 и Recall@5 0,9625; перенос этих результатов на другие юридические корпуса не подтверждён. Модель опубликована под лицензией Apache-2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_94 — модель, размещённая пользователем или организацией Jeevesh8 на Hugging Face. По карточке каталога Hugging Face она относится к задачам классификации текста и была обновлена 21 июля 2022 года. Модель основана на BERT-base-uncased и дообучена на задаче Multi-Genre Natural Language Inference (MNLI), поэтому предназначена для классификации отношений между парами текстов, включая entailment, contradiction и neutral, а также для связанных сценариев текстовой классификации. Идентификатор указывает на максимальную длину последовательности 128 токенов и на специальную процедуру обучения с параметрами, связанными с инициализацией, перемешиванием, clipping и warmup, однако подробности этой процедуры в доступных данных не раскрыты. Возможности модели ограничены текстовыми входами; сведения о поддерживаемых языках, точном числе параметров, метриках качества, сильных сторонах, ограничениях и лицензии для этого конкретного варианта надёжно не указаны. Поэтому её следует рассматривать как англоязычную BERT-модель для MNLI-подобной классификации только при подтверждении соответствия конкретному набору данных и условиям использования.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_2 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. Это вариант BERT-base-uncased, дообученный для задачи Text Classification на QQP (Quora Question Pairs), то есть для определения, являются ли две вопросительные формулировки семантически эквивалентными или дублирующими друг друга. Модель предназначена для классификации пар текстов на английском языке, а не для генерации текста или универсального диалога. Из идентификатора следует, что при обучении использовалась максимальная длина последовательности 128 токенов; суффикс ft_2, вероятно, обозначает один из вариантов или запусков fine-tuning, но точная методика этого варианта по доступным данным не установлена. Архитектура и остальные характеристики наследуются от BERT-base-uncased, однако точные число параметров, метки классов, показатели качества и детали обучения для данной версии надёжно не указаны. Сильная сторона модели — специализация на сопоставлении вопросов; ограничение — узкая область применения и зависимость от английского языка и формата входных пар. Сведения о лицензии этой конкретной публикации не установлены.

huyvux3005 создал модель Sentence Transformers, дообученную на медицинском датасете на вьетнамском языке от sentence-transformers/all-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Модель основана на архитектуре BERT, использует усреднение токенов и нормализацию векторов; в метаданных указано окно контекста 512 токенов, а в README — максимальная длина последовательности 128 токенов. Модель рассчитана на вьетнамские медицинские тексты, в частности на поиск ответов по медицинским вопросам и сопоставление вопросов с ответами. Доступна в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

YeRyeongLee/mental-bert-base-uncased-masked_finetuned-0517 — дообученная модель классификации текстов на базе BERT, созданная на основе mental/mental-bert-base-uncased. В репозитории указано 136,7 млн параметров; модель использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для классификации текстовых последовательностей. В карточке приведены результаты оценки на тестовой выборке: accuracy 0,917 и F1 0,9171. Датасет и конкретные классы классификации не описаны, поэтому оценить применимость к определённой теме или сценарию нельзя. Модель представлена в формате PyTorch. Лицензия в предоставленных данных не указана.

BCCard/MoAI-Embedding-4B — корейская модель текстовых эмбеддингов для финансовых материалов BC Card, разработанная с помощью LoRA дообучения Qwen/Qwen3-Embedding-4B на данных предметной области. Это плотный энкодер семейства Qwen3 с 3,7 млрд параметров, представленный в safetensors и рассчитанный на создание векторов для поиска и сравнения текстов. Модель предназначена прежде всего для bi-encoder этапа извлечения кандидатов в RAG-системе BC Card, а также для поиска по вопросам и документам. Эмбеддинги имеют размерность 2560, нормализуются по L2 и сравниваются по косинусному сходству. README указывает ограничение входной последовательности в 1024 токена; для запросов при использовании следует добавлять обучающий instruction prefix. На отложенном тесте внутри предметной области авторы сообщают улучшение NDCG@10 на 6,1% и Accuracy@1 на 8,9% относительно базовой Qwen3-Embedding-4B. Модель специализирована на корейских финансовых текстах BC Card, поэтому её качество на других языках и вне этой области не гарантируется. Как bi-encoder, она подходит для первичного извлечения, но для точной сортировки рекомендуется дополнительный reranker; числовые факты могут требовать лексического поиска. Это модель для извлечения, а не генерации ответов, и она требует больше ресурсов и времени на инференс, чем вариант 0,6B. Лицензия — Apache-2.0.

Модель maxime7770/model — дообученная версия camembert-base для классификации текста. Она содержит около 137,8 млн параметров, использует архитектуру CamemBERT с головой классификации последовательностей и представлена в формате TensorFlow. Модель рассчитана на обработку текстовых последовательностей длиной до 514 токенов. В карточке приведены значения потерь на обучающей и валидационной выборках после 49 эпох, однако назначение классов и состав данных не раскрыты. Модель может служить основой для классификационных сценариев, но пригодность для конкретной задачи требует проверки на соответствующих данных. Лицензия — MIT.

banjl4487/MODEL — модель для классификации текста, созданная на основе Taekyoon/gemma-ko-2b-dev. Она предназначена для задач text-classification, однако конкретные классы, целевые сценарии и дополнительные особенности обучения в доступных данных не указаны. Модель ориентирована на корейский язык (ko). В качестве базовой указана gemma-ko-2b-dev; другие характеристики, включая точную архитектуру, число параметров, размер контекста, поддерживаемые модальности и показатели качества, не приведены. Известное ограничение — отсутствие подробной документации о специализации и результатах оценки. Модель распространяется по лицензии gemma.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_4 — модель классификации текста, размещённая пользователем Jeevesh8 на Hugging Face. Она предназначена для применения через Transformers в задачах text classification и была дообучена для MNLI (Multi-Genre Natural Language Inference), то есть для классификации отношений между парами текстов, таких как entailment, contradiction и neutral. Идентификатор указывает на основу BERT-base-uncased и обучение с максимальной длиной последовательности 128 токенов; точные параметры конфигурации данной версии, число параметров, языки и результаты оценки в доступной карточке не описаны. Модель принимает текстовые входы и возвращает метки классификации, но подробная информация о сильных сторонах, ограничениях, условиях лицензирования и специфике процедур обучения отсутствует. Лицензия для этой модели также не указана.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_94 — модель пользователя Jeevesh8, размещённая на Hugging Face. Это вариант BERT-base-uncased, дообученный для задачи Multi-Genre Natural Language Inference (MNLI) и предназначенный для классификации текстовых пар: определения отношения между посылкой и гипотезой. В каталоге Hugging Face модель обозначена как Text Classification и поддерживает использование через Transformers. Из идентификатора следует ограничение последовательности длиной 128 токенов. Архитектура основана на BERT-base-uncased; точные параметры конкретной версии, набор языков, показатели качества и детальная информация о тренировочных данных в доступных источниках не указаны. Модель подходит для задач текстовой классификации и inference-сценариев, но её результаты ограничены распределением данных MNLI и длиной входа. Лицензия для этой конкретной модели в доступных данных не указана.

sadjava выпустил дообученную модель XLM-RoBERTa для выявления и классификации языка вражды в английских и сербских текстах. Модель на 305,2 млн параметров принимает текст и относит его к одной из восьми категорий: семь видов дискриминационного или оскорбительного содержания (по признакам расы, сексуальной ориентации, гендера, внешности, религии, социального класса и инвалидности) и нейтральное содержание. Сербский поддерживается в кириллице и латинице. Модель подходит для первичной сортировки текстов и помощи модераторам, а также для исследовательских и образовательных проектов. Она использует архитектуру XLM-RoBERTa для классификации последовательностей, работает через Transformers и имеет контекст до 514 токенов. В README заявлены высокая точность и подробные объяснения, но метрики и механизм объяснений не приведены, поэтому эти заявления нельзя оценить по карточке. Результаты требуют проверки человеком, особенно при принятии важных решений. Лицензия — MIT.

Alamin2230/muril-base-part1 — дообученная модель классификации последовательностей на архитектуре BERT, созданная на основе google/muril-base-cased. В карточке не раскрыто, на каком наборе данных и для какой конкретной категории классификации её обучали. Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи text-classification. Базовая MuRIL разработана Google для NLP-задач на 17 индийских языках и их транслитерациях; пригодность именно этой версии для этих языков и конкретных сценариев карточка не уточняет. В README приведены результаты оценки: F1, precision и recall 0,9836, loss 0,0166, FPR 0,0175 и FNR 0,0164, однако без описания датасета и методики их сложно интерпретировать. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Применение следует проверять на целевых данных, поскольку область классификации и обучающий набор не описаны.

MyAwesomeModel — модель из семейства BERT, опубликованная в репозитории dfgsgsh56/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. Она доступна через библиотеку Transformers и ориентирована на получение векторных представлений, которые можно использовать в последующих задачах анализа текста и машинного обучения. В метаданных Hugging Face для модели указан pipeline-тег feature-extraction, а также поддержка PyTorch и Transformers. README описывает заявленные возможности рассуждения, генерации кода, классификации, суммаризации, диалога и другие сценарии, однако эти утверждения не согласуются с указанным типом pipeline и не содержат надежных сведений о конфигурации, размере, контексте или языках модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что README не подтверждает языковой охват, размер модели, длину контекста и результаты независимой оценки; качество признаков необходимо проверять на собственных данных.

MyAwesomeModel — модель на базе Transformers и PyTorch, связанная с архитектурой BERT и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, поэтому модель может использоваться как компонент для получения векторных представлений текста в последующих задачах машинного обучения. README также заявляет о расширенных возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалога, перевода и function calling, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не содержат достаточно технических деталей для подтверждения соответствующей архитектуры или генеративного режима. Размер модели, контекстное окно и поддерживаемые естественные языки в доступных данных не указаны. Модель распространяется под лицензией MIT. Для практического использования следует проверить фактический формат входов и выходов, конфигурацию токенизатора и совместимость с задачей извлечения признаков; заявленные в README результаты нельзя считать независимой гарантией качества.

ClimateBERT Net Zero Reduction — дообученная модель на базе climatebert/distilroberta-base-climate-f с классификационной головой. Она определяет, относится ли предложение к целям достижения нулевых выбросов или сокращения выбросов. Модель предназначена для классификации климатических текстов, например при анализе документов и отборе релевантных предложений. Модель построена на архитектуре RoBERTa и содержит 95,4 млн параметров. Она принимает текст, работает с контекстом до 514 токенов и выдаёт метку классификации. Для обучения использован размеченный людьми набор climatebert/netzero_reduction_data. Модель распространяется по лицензии Apache-2.0.

Ows2-MiniLM — модель эмбеддингов предложений, разработанная в проекте OWS² исследователями INRAE для семантического сопоставления научного текста с терминами агропродовольственных онтологий. Она предназначена для поиска релевантных понятий из словаря примерно на 14 600 терминов по предложениям из научных аннотаций и публикаций, автоматической разметки текстов и связывания свободных описаний с контролируемыми словарями. Модель основана на sentence-transformers/all-MiniLM-L6-v2: это биэнкодер на архитектуре BERT с усреднением токеновых представлений и L2-нормализацией. Модель содержит 25,9 млн параметров, принимает текстовые предложения и формирует векторные представления; максимальный контекст — 512 токенов. Модель настроена на английский язык и научную лексику агрономии, растениеводства и пищевой науки. В тестах на экспертных запросах дообученная модель превзошла базовую по поисковым метрикам, но результаты зависят от состава словаря и тестовой выборки. Модель рассчитана на англоязычный научный поиск в агропродовольственной области; качество на общих и сторонних доменах может быть ниже. Она не найдёт понятия, отсутствующие в используемом словаре, а на запросах без буквального совпадения с целевым термином показатели слабее, что указывает на ограниченную семантическую генерализацию. Распространяется по лицензии Apache-2.0.

ProMiNER Russian BioNNE-L Retriever — модель на базе Sentence Transformers, разработанная для системы связывания биомедицинских сущностей ProMiNER. Она преобразует упоминание на русском языке в векторное представление и извлекает подходящие концепты UMLS для последующей переоценки отдельной моделью reranker. Модель дообучена на парах упоминание–концепт из BioNNE-L с InfoNCE-подобными внутрипакетными негативными примерами и пакетированием с учётом CUI. Архитектура — XLM-RoBERTa с плотными эмбеддингами; размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Для обучения использовано 172 593 пары, а контрольной метрикой была Acc@20; на тестовой выборке указаны Acc@1 0,698 и MRR 0,757. Модель предназначена для русского биомедицинского entity linking в сценариях BioNNE-L и лицензирована по MIT.

Qwen2.5-Omni-7B-Safety-ZeroAudio — дообученная методом полного SFT модель boyuzhuGPT на базе Qwen/Qwen2.5-Omni-7B для мультимодальной классификации безопасности. Она анализирует текст, статические изображения и видео, определяя, безопасно ли содержимое, и возвращает категории риска в кратком формате Safe/Unsafe. При обучении использовались 13 наборов данных по текстовой и визуальной безопасности, всего 193 788 примеров; аудиоданные исключены, и аудиомодальность удалена. В README указаны обучающие loss около 0,088 и точность предсказания токенов 96,94%, но независимая оценка этих показателей не приводится. Архитектура — плотная Qwen2.5-Omni с 7B в названии базовой модели; репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0.

noystl/recomb-pred-all-mpnet-base — модель Sentence Transformers, дообученная разработчиком noystl на базе sentence-transformers/all-mpnet-base-v2 для поиска и сравнения текстов о предсказании рекомбинации. Она использует архитектуру MPNet с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерностью 768. Для сравнения векторов рекомендуется косинусное сходство. В метаданных указан размер 136,7 млн параметров, библиотека sentence-transformers и контекст до 514 токенов; README указывает максимальную длину последовательности 384 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок и кластеризации текстов. Она обучалась на наборе noystl/Recombination-Pred из 784 827 примеров с контрастивной функцией потерь; данные содержат запросы, ответы и метки. Модель принимает текст и выдаёт векторы, а не готовые ответы на запросы. Лицензия — CC.

sentence-transformers/roberta-base-nli-stsb-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на базе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 514 токенов. Доступны веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель для векторного поиска и сравнения предложений.

Модель karoldobiczek/roberta-large-fomc — дообученная версия FacebookAI/roberta-large для классификации текста. Она содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. В README приведены результаты на тестовой выборке: точность 0,666 и функция потерь 0,7874; назначение меток и набор данных не описаны. Модель опубликована под лицензией MIT.

RelBERT на базе RoBERTa-large — модель, дообученная библиотекой RelBERT на наборе relbert/semeval2012_relational_similarity для получения векторных представлений словесных отношений. Она предназначена для задач понимания отношений: решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+, ROOT09 и Relation Mapping. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa и принимает текст; максимальный размер контекста составляет 514 токенов. Для работы авторы рекомендуют библиотеку RelBERT. Репозиторий распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

apanc/russian-sensitive-topics — русскоязычный классификатор чувствительных тем, обученный на расширенной версии датасета, описанного в статье для семинара Balto-Slavic NLP на EACL 2021. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; она относит текст к комбинациям из 18 чувствительных тем. Модель предназначена для многотемной классификации русскоязычных текстов, например для выявления упоминаний преступлений и наркотиков. Максимальная длина контекста — 512 токенов. В README приведены метрики по нескольким классам; авторы отмечают, что тестовая выборка состоит из вручную размеченной части данных, поэтому некоторые темы представлены в ней недостаточно хорошо. Модель доступна в форматах PyTorch, TensorFlow и Flax. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

LilyPersilly/SBERT_swedish_politics — дообученная модель Sentence Transformers на базе KBLab/sentence-bert-swedish-cased, разработанная LilyPersilly. Она преобразует текстовые предложения в плотные векторы размерности 768 и предназначена для оценки семантического сходства с помощью косинусного сходства, семантического поиска, поиска перефразирований, классификации и кластеризации. Модель ориентирована на тексты о шведской политике; для обучения использовалось 291 размеченное пара предложений. Архитектура включает BERT и усредняющий pooling. README указывает максимальную длину последовательности 384 токена, а метаданные — контекст до 512 токенов. Базовая модель поддерживает шведский и английский языки; обучающие примеры в карточке — на шведском. Выход модели — векторное представление текста. Дообученные веса распространяются по лицензии NCPL: использование разрешено для некоммерческих целей, а встраивание в коммерческие продукты, платные API и SaaS запрещено. Размер обучающей выборки невелик, поэтому качество может быть ограничено за пределами тематических текстов о шведской политике.