I.11Классификация, ранжирование и сопоставление

irfanamal/electra_multiple_choice — дообученная модель на базе Google ELECTRA Base Discriminator, предназначенная для задач с выбором одного ответа из нескольких вариантов. Это плотный Transformer-энкодер на 136,7 млн параметров с контекстом до 512 токенов. Модель сохранена в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: accuracy 0,58 и loss 1,2639. Данные обучения и подробные ограничения не описаны; результат оценки сам по себе не гарантирует качество на других наборах данных.

Модель dima806/english_accents_classification предназначена для классификации аудиозаписи речи по распространённому акценту английского языка. Она дообучена на facebook/wav2vec2-base-960h и использует архитектуру wav2vec2 с классификационной головой; размер составляет 113,3 млн параметров. Модель принимает аудио и выдаёт метку класса акцента. Модель подходит для автоматической сортировки речевых образцов по акцентам и анализа английской речи. В карточке указана лицензия Apache-2.0. README не сообщает перечень классов акцентов и условия записи, поэтому точность для конкретных вариантов произношения оценить нельзя.

EnvironmentalBERT-biodiversity — модель на основе RoBERTa, разработанная для классификации текстов об окружающей среде и биоразнообразии в контексте ESG. Она дообучена на EnvironmentalBERT-base на наборе из 2,2 тыс. примеров WaterForestBiodiversityNature_2200 и предназначена для определения, относится ли текстовый фрагмент к биоразнообразию. Разработчики рекомендуют сначала отбирать экологические тексты с помощью EnvironmentalBERT-environmental, а затем проверять их на тему биоразнообразия. Модель содержит 95,2 млн параметров, принимает текст и выдаёт метки классификации. Её контекст составляет 514 токенов, основной язык — английский. Модель распространяется по лицензии Apache-2.0. Карточка не описывает качество на независимых данных или ограничения для практического применения.

Карточка модели jhu-clsp/ettin-dec-from-enc-150m на Hugging Face совпадает с карточкой jhu-clsp/ettin-encoder-17m, поэтому описание составлено по ней. jhu-clsp/ettin-encoder-17m — англоязычная модель-энкодер из набора Ettin, разработанного исследователями Johns Hopkins University. Это компактная модель с 16,8 млн параметров на архитектуре ModernBERT, обученная методом masked language modeling; она предсказывает замаскированные токены в тексте. По описанию набора, модели Ettin обучались на общей открытой смеси данных и предназначены для сопоставления энкодерных и декодерных архитектур. Для этой версии README указывает размер XXS и сценарии мобильных и периферийных устройств. Модель подходит для заполнения пропусков в английском тексте и как основа для задач классификации и получения эмбеддингов после соответствующей настройки. В метаданных указаны контекст до 7 999 токенов, форматы PyTorch и ONNX и лицензия MIT. В README заявлены сильные результаты семейства Ettin в классификации и поиске, однако конкретные метрики для версии 17M не приведены. Это энкодер для понимания текста, а не генеративная модель для свободного продолжения текста; также она не предназначена для обработки языков, кроме английского, согласно доступным языковым тегам.

Font Classifier — модель классификации изображений шрифтов, созданная на основе DINOv2 и дообученная автором dchen0 с помощью LoRA. Она распознаёт 394 варианта шрифтов из 32 семейств Google Fonts. Чекпойнт содержит 113,2 млн параметров; адаптер LoRA объединён с базовой моделью, поэтому для работы не требуется отдельная библиотека PEFT. Модель предназначена для определения шрифта по изображению с текстом, например для сортировки образцов или предварительной идентификации гарнитуры. В README сообщается точность top-1 99,0% на отложенной тестовой выборке и точность 99,8% при определении семейства шрифта. Обучение проводилось на синтетических изображениях, созданных рендерингом текста; перед подачей изображения необходимо преобразовать в RGB, дополнить до квадратного размера, изменить размер до 224×224 и нормализовать по статистикам ImageNet. Лицензия — Apache-2.0. Модель распознаёт только охваченные обучением шрифты и варианты; ошибки чаще возникают между начертаниями одного семейства.

mattohan/job-tracker-email-classifier — дообученная модель классификации писем о поиске работы, созданная на основе BAAI/bge-small-en-v1.5. Она распределяет письма по пяти категориям; в карточке названы подтверждение получения заявки, отказ и приглашение на собеседование. Модель предназначена для работы в браузере через Transformers.js и опубликована в формате ONNX; доступны квантованный вариант размером 32,5 МБ и полный вариант размером 127,6 МБ. Модель обучена на примерно 28 тысячах исходных писем и дополненных фрагментов с использованием curriculum learning. В README заявлена точность 100% на валидации как для полных писем, так и для фрагментов, однако подробности методики оценки не приведены. Модель ориентирована на английские письма, имеет около 40 млн параметров и контекст до 512 токенов. Лицензия — MIT; выполнение классификации в браузере позволяет не отправлять содержимое писем на сервер.

Kev-0.6B — модель принятия решений, разработанная Jared Palmer и опубликованная под идентификатором jaredpalmer/kev-0.6b. Она построена как LoRA-адаптер с pointer head поверх Qwen/Qwen3-0.6B-Base и предназначена для контрактов TypeSafe, где на вход подаются один документ-состояние и набор типизированных вопросов, а на выходе для каждого вопроса возвращается распределение вероятностей по вариантам ответа. Модель выполняет классификацию в одном прямом проходе и не генерирует текст. Архитектура использует causal language model только для prefill, block-causal attention mask с общим префиксом состояния и изолированной ветвью для каждого вопроса, а также считывание по токенам границ вариантов. Поддерживается пакетная обработка вопросов без заметного влияния одного вопроса на другой. Размер базовой модели — 0,6 млрд параметров; в README языки и явные ограничения контекста не указаны. Модель ориентирована на задачи выбора вариантов, калибровки вероятностей и типизированных решений Choice, Noul и Score. Внутри распределения данных она показывает accuracy 0,808 на закрытом тесте, но за пределами обучающего домена точность снижается до 0,642; заявлена скорость около 0,12 секунды на запрос из пяти вопросов на Apple Silicon. Сильные стороны модели — небольшой размер, низкая задержка, вероятностный выход и улучшенная обработка сценариев с вариантом «ни один из перечисленных». Ограничения особенно заметны вне домена: модель слабо справляется с невстречавшимися структурами политик, склонна выбирать средний уровень в порядковых вопросах с арифметикой дат, а её вероятности вне обучающего распределения следует считать ориентировочными. Модель распространяется по лицензии Apache-2.0.

Это англоязычная модель классификации текста на основе DistilBERT, дообученная разработчиком Harveen1808 для различения текста о еде и не о еде. Модель предназначена для классификации текстовых последовательностей; в метаданных указана архитектура DistilBertForSequenceClassification и максимальный контекст 512 токенов. В README приведён результат оценки: точность 1,0 и loss 0,0005, однако датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель распространяется по лицензии Apache-2.0.

Это модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased. Она предназначена для отнесения текстовых примеров к классам «еда» и «не еда», что следует из названия репозитория. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и возвращает метку класса. Максимальная длина контекста — 512 токенов. В README указана точность 1,0 и loss 0,0005 на оценочном наборе, однако датасет и условия оценки не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель опубликована под лицензией Apache-2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_17 — англоязычная модель на базе BERT base uncased, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для классификации текстовых пар в задаче MNLI, то есть определения отношения между посылкой и гипотезой: entailment, contradiction или neutral. В основе лежит двунаправленная Transformer-архитектура BERT с примерно 110 млн параметров, предварительно обученная для английского языка без учёта регистра. В идентификаторе указана длина последовательности 128 токенов; модель относится к семейству text classification и, вероятно, использует классификационную голову, дообученную на MNLI. Поддерживается только текстовая модальность и английский язык. Сильные стороны модели — использование проверенной архитектуры BERT и специализация на распознавании логического отношения между двумя текстами. Ограничения включают зависимость от английского языка, потерю регистра, ограничение длины входа и возможную чувствительность к смещениям и ошибкам, характерным для обучающих данных BERT и MNLI. Отдельная лицензия этой производной модели в доступных данных не указана; для базовой модели BERT base uncased указана Apache-2.0.

Jeevesh8/long_feather_bert_ft_mnli-1 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для классификации текста и связана с задачей Multi-Genre Natural Language Inference (MNLI), то есть для определения отношения между двумя фрагментами текста. По доступным данным, размер модели составляет около 109 млн параметров. Название указывает на тонкую настройку BERT для MNLI, однако точная конфигурация архитектуры, размер контекста, поддерживаемые языки, набор меток, показатели качества и используемые данные для этой версии надёжно не подтверждены. Модель относится к текстовой модальности и не предназначена для генерации текста или обработки изображений. Возможные ограничения включают зависимость качества от распределения данных и специфику задачи MNLI; перенос результатов на другие языки и сценарии без дополнительной проверки не гарантируется. Лицензия для этой модели в доступных источниках не указана.

Модель zoro6u/marbert-arabic-dialect-id — дообученная MARBERTv2 для определения одной из 18 странных разновидностей арабского диалекта по тексту. Это BERT-модель классификации последовательностей с 190 млн параметров и контекстом до 512 токенов; в обучении использовались короткие сообщения из Twitter, а для инференса рекомендуется удалять упоминания и URL, символы # и диакритические знаки, а также схлопывать пробелы. Модель предсказывает метки для Омана, Судана, Саудовской Аравии, Кувейта, Катара, Ливана, Иордании, Сирии, Ирака, Марокко, Египта, Палестины, Йемена, Бахрейна, ОАЭ, Туниса и Ливии. Макро-F1 на тесте составляет 0,614. Лучше всего модель распознаёт египетский, ливийский, ливанский, суданский и марокканский варианты; хуже — близкие варианты стран Персидского залива и йеменский диалект. Модель предназначена для классификации арабских сообщений по диалекту и стране, например для анализа публикаций в социальных сетях. Качество ограничено шумными метками, автоматически выведенными из профилей авторов, обучением только на твитах и небольшими тестовыми выборками для отдельных классов; на формальном тексте и в других жанрах точность может быть ниже. Лицензия — MIT.

Mengzi-BERT base — базовая предварительно обученная китайская языковая модель от Langboat на архитектуре BERT. Она обучена на корпусе китайских текстов объёмом 300 ГБ с задачами masked language modeling, разметки частей речи и предсказания порядка предложений. Модель содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и опубликована в формате PyTorch. Основное назначение модели — предсказывать пропущенные токены в китайском тексте. Её также можно дообучать для разметки частей речи, классификации и других задач понимания китайского языка. В README приведены результаты на девяти китайских тестовых наборах, включая классификацию, понимание прочитанного и распознавание связей между предложениями. Для использования весов указана лицензия Apache-2.0. Это базовая модель, поэтому для прикладных задач, кроме заполнения масок, может потребоваться дополнительное дообучение.

CMB-ClimateModernBERT/Merge_Norm_CX — англоязычный энкодер ModernBERT, разработанный в рамках семейства ClimateModernBERT для обработки текстов о климате. Это masked language model с архитектурой ModernBERTForMaskedLM на 149 млн параметров, обученная продолжением предобучения answerdotai/ModernBERT-base на корпусе из научных публикаций, климатических веб-текстов и синтетических материалов. Контекст составляет до 8192 токенов. Модель предназначена для получения текстовых представлений и последующей тонкой настройки на классификацию, многометочную разметку и поиск по климатическим публикациям, корпоративной отчётности, документам политики и новостям. В README указана средняя оценка F1 75,9 по девяти климатическим NLP-бенчмаркам; результаты получены при тонкой настройке и не означают, что базовая masked language model сама выполняет эти задачи без дополнительной настройки. Модель не следует использовать как инструкционную систему или источник гарантированно точных фактов о климате. Карточка не сообщает лицензию модели.

CMB-ClimateModernBERT/Merge_TA_L05_LRD — англоязычная модель-энкодер ClimateModernBERT, опубликованная авторами семейства ClimateModernBERT. Она создана продолжительным предобучением answerdotai/ModernBERT-base на климатических академических текстах, синтетических данных и отфильтрованном веб-тексте; карточка также описывает её как слияние Task Arithmetic с λ = 0,5. Модель имеет 149 млн параметров, архитектуру ModernBERTForMaskedLM и контекст до 8192 токенов; основная задача — предсказание замаскированных токенов. Модель предназначена для исследований NLP в климатической тематике и как энкодер для последующей тонкой настройки на классификацию, многометочную разметку и поиск по корпоративной отчётности, документам климатической политики, научным публикациям и новостям. В карточке сообщается средний F1 73,6 по девяти климатическим бенчмаркам; это результат описанного авторами протокола, а не гарантия качества для иных данных. Авторы указывают, что синтетические данные дают неодинаковый эффект в разных задачах, а опубликованная оценка в основном охватывает предложения и фрагменты текста. Это masked language model, а не диалоговая или следующая инструкции система; она не предоставляет калиброванных гарантий фактической точности. Обучение и оценка описаны для английского языка. Лицензия в предоставленных данных не указана.

MFANN3bv0.4 — экспериментальная языковая модель семейства Phi примерно на 3,5 млрд параметров, разработанная автором репозитория netcat420. Это вариант MFANNv0.5, дообученный на датасете MFANN; автор описывает работу как эксперимент с пошаговыми рассуждениями. Модель предназначена для генерации текста и классификации текста. В карточке приведены результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель построена на плотной архитектуре PhiForCausalLM, использует библиотеку Transformers и формат весов safetensors. Контекст составляет 2048 токенов. Лицензия — Apache-2.0. Датасет MFANN, по словам автора, находится в разработке; качество и надёжность пошаговых рассуждений могут быть ограничены экспериментальным характером модели.

BleachNick/MMICL-Instructblip-T5-xxl — мультимодальная модель для работы с изображениями и текстовыми инструкциями, основанная на MMICL (Multi-Modal In-Context Learning). Она дообучена на instructblip-flan-t5-xxl и использует архитектуру InstructBLIP с языковой частью Flan-T5-XXL; в карточке указана реализация на Transformers и PyTorch. Разработчики описывают способность анализировать несколько изображений, сопоставлять их и рассуждать по ним, а также выполнять сложные задачи визуального анализа и мультимодального обучения в контексте. Модель рассчитана на ответы на вопросы об изображениях, сравнение и совместное рассуждение по нескольким изображениям и следование инструкциям. README также сообщает о возможностях понимания видео в демо, однако метаданные для этой модели подтверждают только задачу image-text-to-text. В карточке указан английский язык и лицензия MIT. Размер модели и длина контекста не приведены.

Modesty_binary — англоязычный классификатор последовательностей, созданный дообучением microsoft/deberta-v3-base. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации текста. На указанном в карточке наборе для оценки она достигла accuracy 0,68 и F1 0,6831; название и состав классов, а также назначение датасета не раскрыты. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_13 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. По данным каталога Hugging Face, она относится к категории Text Classification и обновлялась в июле 2022 года. Идентификатор указывает на дообучение BERT-base-uncased на задаче MNLI с длиной последовательности 128 токенов и специальными параметрами обучения, включая warmup и clipping градиентов. Базовая архитектура BERT-base-uncased разработана Google: это англоязычный, регистронезависимый Transformer примерно со 110 млн параметров, 12 слоями, 12 attention heads, размером скрытого состояния 768 и максимальной исходной позицией 512 токенов. Вариант с суффиксом mnli_ft предназначен для классификации текстовых пар и определения логического отношения между ними в стиле Natural Language Inference: entailment, contradiction или neutral. Модель подходит для англоязычной классификации и задач textual entailment, но не является генеративной и не предназначена для обработки изображений, аудио или других модальностей. Ограничение длины 128 токенов может снижать качество на длинных текстах; применение вне английского языка и вне сценариев, близких к MNLI, не подтверждено. Лицензия именно этого производного репозитория в найденных данных не указана.

MyAwesomeModel — модель из репозитория sdfaffaf556/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из данных с использованием библиотеки Transformers и фреймворка PyTorch. В метаданных она классифицирована как BERT-модель с pipeline-задачей feature-extraction. README также заявляет о возможностях рассуждения, программирования, математики, классификации, суммаризации, перевода, диалоговой генерации, function calling и работы с файлами и веб-поиском. Однако эти сведения не согласуются с указанной в метаданных основной pipeline-задачей и не сопровождаются достаточными техническими деталями о конфигурации модели, размере, контекстном окне или поддерживаемых языках. Модель распространяется под лицензией MIT. Для практического применения следует учитывать, что README не содержит проверяемых сведений о происхождении модели, точной архитектуре, доступных весах и ограничениях качества.

National Climate Targets Classifier — многометочная модель классификации текстов, разработанная командой Climate Policy Radar. Она основана на climatebert/distilroberta-base-climate-f и дообучена на наборе National Climate Targets с экспертной разметкой национальных законов, политик и материалов, поданных в РКИК ООН. Модель определяет, относится ли цель в тексте к категории Net Zero (NZT), сокращению выбросов (Reduction) или Other. Это RoBERTa-классификатор с 95,4 млн параметров и контекстом до 514 токенов; принимает текст и возвращает метки классов. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

OpenVoiceOS разработала мультиязычный классификатор пользовательских намерений для платформы OpenVoiceOS. Он сопоставляет фразу одному из 210 меток намерений, используемых конвейером OVOS m2v, и предназначен для маршрутизации команд голосового помощника, например управления устройствами умного дома. Модель использует статические эмбеддинги Model2Vec размерности 128, полученные дистилляцией multilingual-e5-small, и классификационную голову, обученную на 284 687 примерах из 54 локалей. При работе она ищет векторы и усредняет их, поэтому для инференса не требуется запускать нейронную сеть, а модель подходит для CPU. В README указана точность 0,9943 на отложенной выборке; качество по отдельным языкам зависит от объёма тестовых данных. Модель предназначена для классификации намерений в OpenVoiceOS и может служить языковым резервным вариантом там, где нет отдельной монолингвальной модели. Для устройств только с английским языком README рекомендует более компактную англоязычную модель. Лицензия — Apache-2.0.

ParlaCAP — мультиязычная модель классификации текстов от Classla для определения тем парламентских выступлений по схеме Comparative Agendas Project (CAP). Это дообученная для классификации модель XLM-RoBERTa-large на базе classla/xlm-r-parla, предварительно обученной на стенограммах парламентских заседаний. Модель обучали на 29 779 выступлениях из 29 корпусов ParlaMint; она распределяет текст по 22 меткам: 21 основной теме CAP и категории «Other». Модель предназначена для тематической разметки парламентских дебатов и анализа повестки в корпусах парламентских текстов. На тестовых выборках она показала macro-F1 0,723 для английского, 0,686 для хорватского, 0,710 для сербского и 0,646 для боснийского языка. Для практического применения авторы рекомендуют учитывать уверенность предсказания: примеры с низкой уверенностью можно помечать как смешанные темы. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели — около 658,7 млн параметров, контекст — до 514 токенов. Метаданные указывают широкий мультиязычный охват, однако приведённые количественные результаты относятся только к четырём языкам. Лицензия в предоставленных материалах не указана.

presentation_emotion_31415 — модель классификации текста на базе DistilBERT, дообученная разработчиком aXhyra на наборе tweet_eval. Она предназначена для отнесения коротких текстов, в частности сообщений из Twitter, к категориям классификации. В README приведён результат F1 0,7149 на оценочной выборке; модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель доступна по лицензии Apache-2.0. Карточка не раскрывает точный набор меток и подробности обучения, поэтому качество для других данных и конкретных прикладных сценариев оценить нельзя.

Sentence-ALDi — модель на основе BERT, разработанная для оценки степени диалектности арабского текста. Она дообучена на базе MarBERT и использует регрессионную голову для предсказания уровня диалектности. Модель предназначена для анализа отдельных текстов; заявленная языковая поддержка — арабский. Модель решает задачу классификации текста по тегу Hugging Face, хотя её выход описан как регрессионная оценка. Параметры модели составляют 190 млн, максимальная длина контекста — 512 токенов. Для обучения использован датасет AOC-ALDi; файлы представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

nteku1/stage1 — дообученная на базе openai-community/gpt2 модель для классификации текста. Архитектура — GPT-2 с головой классификации последовательностей; файлы весов представлены в формате safetensors. Модель рассчитана на входные тексты и выдаёт классы. Карточка не описывает назначение классов, обучающие данные или результаты оценки, поэтому применимость для конкретной тематики и качество классификации установить нельзя. Модель опубликована под лицензией MIT; контекстное окно — 1024 токена.

StorySeeker — модель классификации текста, созданная Maria Antoniak путём дообучения RoBERTa-base на датасете StorySeeker. Она определяет, содержит ли текст историю согласно определению из кодбука проекта. Модель рассчитана на анализ публикаций и комментариев в онлайн-сообществах, а также может применяться к другим наборам текстов. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, максимальная длина контекста — 514 токенов. На тестовой выборке авторы сообщают точность 0,8416 и значение функции потерь 0,4343. Модель дообучена на 301 публикации и комментарии Reddit с бинарными метками; её результаты на других типах текстов могут отличаться. Лицензия — MIT.

StreetCLIP — модель семейства CLIP, разработанная авторами исследования Lukas Haas, Silas Alberti и Michal Skreta для геолокализации изображений и задач, связанных с географией и климатом. Она построена на OpenAI CLIP ViT-L/14-336 и дообучена с помощью синтетических подписей, созданных из меток классов по специализированному шаблону. Модель обучалась на 1,1 млн геотегированных уличных изображений городской и сельской местности из 101 страны. StreetCLIP сопоставляет изображения с текстовыми описаниями и поддерживает классификацию без дополнительного обучения. Её можно использовать для оценки страны, региона или города, откуда происходит изображённая сцена, а также дообучать для анализа зданий, инфраструктуры и природной среды. Английский язык указан в карточке; модель принимает изображения и текстовые метки, а выдаёт оценки соответствия изображения классам. В карточке сообщается о сильных результатах на тестах IM2GPS и IM2GPS3K. Обучающие данные смещены в сторону западных стран и не включают Индию и Китай, поэтому качество может различаться в зависимости от региона и типа изображений. Авторы не рекомендуют применять модель для геолокации личных фотографий пользователей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

strix-rufipes-70b — авторегрессионная языковая модель, разработанная ibivibiv и дообученная на архитектуре Llama 2. Она предназначена для задач логического рассуждения и планирования, включая выполнение инструкций в формате Alpaca. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Основной язык — английский. В карточке приведены результаты тестов ARC: Challenge и HellaSwag, а также сводные показатели Open LLM Leaderboard. Модель распространяется в формате Safetensors по лицензии Llama 2. Результаты бенчмарков не гарантируют качество на прикладных сценариях, особенно за пределами логики и планирования.

TAPAS medium — разработанная Google модель семейства TAPAS на базе BERT, предназначенная для получения представлений таблиц и связанного с ними текста. Модель содержит 49,2 млн параметров, предобучена на англоязычных таблицах Википедии и тексте с помощью masked language modeling и дополнительного этапа для рассуждений о числах и табличном следовании. По умолчанию используются относительные позиции, сбрасываемые в каждой ячейке таблицы; доступна версия с абсолютными позиционными эмбеддингами через revision="no_reset". Модель принимает текстовый вопрос или предложение вместе с сериализованной таблицей и выдаёт скрытые представления для последующей обработки. Её можно дообучить для ответов на вопросы по таблицам, классификации и определения, подтверждается ли утверждение содержимым таблицы. Максимальная длина входа при предобучении составляла 512 токенов; для прикладных задач обычно требуется дообученная версия с подходящей классификационной головой. Доступна по лицензии Apache-2.0.