I.11Классификация, ранжирование и сопоставление

TaxaBind ViT-B-16 — модель эмбеддингов изображений и текста, разработанная MVRL и опубликованная в формате open_clip. Она предназначена для классификации изображений видов без специального обучения на каждом наборе классов: изображение сопоставляется с текстовыми названиями таксонов, после чего выбирается наиболее подходящий класс. Модель принимает изображения и текстовые описания классов и выдаёт представления, используемые для сравнения и классификации. Модель можно применять для определения видов по фотографиям, если классы заданы таксономическими текстовыми метками. В карточке указана лицензия MIT. Сведения о размере модели, контекстном окне и поддерживаемых языках не приведены.

unitary/toxic-bert — модель классификации комментариев на токсичные и нетоксичные, разработанная Laura Hanu и командой Unitary для задач модерации онлайн-контента. Она предназначена для выявления токсичности, оскорблений, угроз, непристойной речи и атак на идентичность в пользовательских комментариях; доступные варианты обучались на заданиях Jigsaw 2018–2020 годов, включая мультиязычную классификацию. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст, выдаёт метки классификации и рассчитана на контекст до 512 токенов. README указывает поддержку английского, французского, испанского, итальянского, португальского, турецкого и русского языков для мультиязычного варианта. Лицензия — Apache-2.0. Модель может ускорить выявление комментариев для проверки модераторами, но её оценки не следует считать окончательным решением: сарказм, самоирония и контекст могут приводить к ошибкам, а в README отмечен риск смещения в отношении уязвимых групп. Также авторы предупреждают, что результаты моделей на Hugging Face могут отличаться от результатов библиотеки Detoxify.

Многоязычный классификатор токсичности текста, разработанный TextDetox на основе CardiffNLP twitter-xlm-roberta-large-2022. Модель дообучена для бинарной классификации токсичности и принимает текст, выдавая метку класса и оценку для входного текста. Модель охватывает 15 языков. В карточке приведены результаты F1 для английского (0,9071), русского (0,9022) и украинского (0,9075). Архитектура — XLM-RoBERTa Large для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель распространяется в формате safetensors и использует лицензию OpenRAIL++.

Модель tiantiaf/voxlect-spanish-dialect-whisper-small разработана для классификации диалектов испанской речи и описана в рамках бенчмарка Voxlect по моделированию диалектов и региональных языков. Она дообучена на базе openai/whisper-small и принимает аудио, выдавая метку одного из шести вариантов: Andino-Pacífico, Caribe and Central, Chileno, Mexican, Penisular или Rioplatense. В метаданных указаны библиотека Transformers, формат safetensors и язык es; лицензия — OpenRAIL. Модель подходит для определения регионального варианта испанского в аудиозаписях. Разработчик исключает клиническое применение, наблюдение и вторжение в частную жизнь, а также запрещает коммерческое использование. При работе с голосовыми данными следует учитывать требования к согласию и конфиденциальности.

Kuongan/xlm-roberta-base-pcm-finetuned — дообученная Kuongan модель XLM-RoBERTa Base для классификации текста. Она использует плотную архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Модель принимает текст и выдаёт классы текста. Контекст составляет 514 токенов. Модель опубликована в формате safetensors под лицензией MIT. В README приведены результаты оценки: F1 0,4302, ROC AUC 0,6457, accuracy 0,3081 и loss 0,4237; датасет и назначение классов не описаны, поэтому результаты нельзя соотнести с конкретной предметной областью.

afrisenti-diacritized-scratch_scratch — модель классификации текста на базе RoBERTa, дообученная автором на неизвестном наборе данных. Репозиторий содержит 17,1 млн параметров и веса в формате safetensors; модель принимает текст и выдаёт метки классификации. Для оценки указаны Accuracy 0,6437 и Macro F1 0,6442, однако описание не раскрывает набор меток и назначение классификации. Контекст модели составляет 132 токена. Лицензия — MIT.

AI Text Detector от adaptive-classifier — бинарный классификатор, определяющий, написан ли текст человеком или сгенерирован либо отредактирован ИИ. Модель предназначена для проверки текстов на вероятное использование генеративных моделей, в том числе при анализе пользовательских материалов и исследовании качества детектирования. Классификатор использует замороженный энкодер TrustSafeAI/RADAR-Vicuna-7B размером 355 млн параметров: он преобразует текст в вектор размерности 1024, после чего адаптивная память прототипов и нейросетевая голова выдают класс «человек» или «ИИ». Модель обучалась для английского языка; в карточке приведены результаты на тестовых наборах из доменов отзывов, новостей, художественных и академических текстов, включая тесты на письмах и текстах от ранее не встречавшихся моделей. В описанных тестах точность составила 74,2% на внутридоменном наборе, 79,1% на наборе писем и 74,3% на наборе с текстами от новых моделей. Это вероятностный детектор, а не доказательство авторства: он не различает редактирование ИИ и генерацию, зависит от признаков RADAR и для более надёжной проверки рекомендуется текст не короче примерно 50 слов. Модель распространяется под лицензией Apache-2.0; веса доступны в форматах ONNX и safetensors.

Карточка модели ranaroy/bert-finetuned-imdb на Hugging Face совпадает с карточкой aquif11/bert-finetuned-imdb, поэтому описание составлено по ней. aquif11/bert-finetuned-imdb — дообученная модель BERT для классификации текста. В README указано, что она основана на bert-base-uncased; архитектура — BertForSequenceClassification, размер — 136,7 млн параметров. Модель рассчитана на классификацию текстовых последовательностей, вероятно, для анализа отзывов о фильмах по датасету IMDb, что следует из названия репозитория. Модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. В README приведено значение loss 0,0011 на оценочной выборке, однако датасет и методика оценки не описаны, поэтому это число не позволяет надёжно судить о качестве на других данных. Использование регулируется лицензией Apache-2.0.

Модель efeyol11/bert-turkish-sentiment разработана efeyol11 для классификации тональности турецких текстов. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,8 млн параметров; она относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Модель рассчитана прежде всего на короткие и средние тексты, особенно заголовки новостей вместе с краткими аннотациями, а также может применяться для анализа комментариев и публикаций в соцсетях. Модель дообучена на savasy/bert-base-turkish-sentiment-cased с использованием winvoker/turkish-sentiment-analysis-dataset. В README указана длина обучения 128 токенов; метаданные сообщают о контексте до 512 токенов. В тестировании на указанном датасете заявлены accuracy 0,9728 и macro-F1 0,9535, однако эти результаты не гарантируют аналогичное качество на других данных. Модель не предназначена для аспектного анализа, длинные входы обрезаются, а сарказм, ирония и узкие новостные темы могут снижать надёжность. Возможны смещения обучающего корпуса и усиление ошибок при еженедельном дообучении на псевдоразметке. Лицензия — Apache 2.0.

ece-irem разработала эту модель в составе проекта Hukuki Asistan — системы семантического поиска обоснованных прецедентов в турецком праве, созданной в рамках выпускного проекта факультета инженерии Анкарского университета. Модель представляет собой дообученный двунаправленный BERTurk-энкодер с 137,8 млн параметров; он преобразует запросы и фрагменты судебных решений в плотные векторы размерностью 768 для вычисления семантического сходства. Максимальная длина входа — 512 токенов. Модель предназначена для поиска и ранжирования релевантных фрагментов турецких судебных решений. В описанном проекте документы разбиваются на перекрывающиеся фрагменты, сначала BM25L Plus отбирает кандидатов, затем векторы запроса и документов сравниваются по косинусному сходству. Модель рассчитана на турецкий язык и юридические тексты; заявленный сценарий включает поиск прецедентов по решениям, связанным с правом социальных сетей. Модель выдаёт векторные представления для последующего поиска и оценки сходства; сама по себе она не выполняет описанный двухэтапный поиск целиком и не является отдельной cross-encoder-моделью. Весы опубликованы в формате safetensors под лицензией MIT.

gridwayai/bge-nuclear-finetuned-2 — англоязычная модель Sentence Transformer, дообученная GridwayAI на базе BAAI/bge-base-en-v1.5 для семантической работы с текстами в ядерной отрасли. Архитектура основана на BERT: модель преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их с помощью косинусного сходства. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации текстов, связанных с ядерными реакторами и процедурами атомной энергетики. В README приведён результат cosine accuracy 0,9177 на валидации TripletEvaluator. Для использования нужны Sentence Transformers или совместимый сервис инференса эмбеддингов. Лицензия в предоставленных данных не указана.

BreadBowl-Embed — модель для поиска и ранжирования текстовых документов, разработанная командой BreadBowl. Она дообучена на базе Qwen/Qwen3.5-0.8B-Base и кодирует каждый фрагмент в 16 пар слотов: маршрутизирующие векторы помогают находить кандидатов, а векторы значений позволяют запросу повторно оценить документы по заранее сохранённым представлениям. Поэтому документы можно закодировать один раз и использовать эти представления для поиска и переранжирования без повторного прохода базовой модели по тексту документов. Это исследовательская предварительная версия на шаге обучения 4000. В оценке на 15 задачах BEIR чтение векторов значений повысило макро nDCG@10 с 48,47 до 51,54 относительно поиска только по маршрутизирующим векторам; это не заявка на лидерство и не измерение ускорения относительно других систем. Включённый индекс последовательно просматривает все документы, поэтому стоимость поиска растёт линейно с размером корпуса; он предназначен для небольших экспериментов, а не для крупномасштабного приближённого поиска. Модель и инструментарий доступны по лицензии Apache 2.0.

Модель austinmw/distilbert-base-uncased-finetuned-health_facts — дообученная версия DistilBERT для классификации текстов о здоровье. Она обучена на наборе данных health_fact и предназначена для отнесения медицинских утверждений к классам, представленным в обучающей разметке. Архитектура — DistilBertForSequenceClassification; модель принимает текст, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На оценочном наборе указаны accuracy 0,6285 и F1 0,6545. Лицензия — Apache-2.0. Карточка не описывает состав классов и условия обучения подробнее, поэтому результаты не подтверждают пригодность модели для медицинских решений; её следует применять для классификации текстов, а не для постановки диагноза или рекомендаций.

ClimateBERT — дообученная языковая модель на базе RoBERTa с классификационной головой, разработанная для анализа климатических текстов. Модель относит абзацы о климате к одному из трёх классов тональности: возможность, нейтральная позиция или риск. Модель создана дообучением climatebert/distilroberta-base-climate-f на наборе данных climatebert/climate_sentiment. Она принимает текст и выдаёт метку класса; размер составляет 95,4 млн параметров, контекст — до 514 токенов. Поддерживаемый язык — английский. Модель подходит для разметки климатических абзацев при анализе публикаций и документов. В README отмечено, что обучение проводилось на абзацах, поэтому качество на отдельных предложениях может быть ниже. Лицензия — Apache-2.0.

DunbaaBERT-32k — урдуязычная модель семейства DunbaaBERT, разработанная авторами проекта и обученная с нуля. Это encoder-only Transformer на архитектуре RoBERTa для предсказания замаскированных токенов; вариант использует словарь Byte-BPE размером 32 009 токенов и содержит около 137,8 млн параметров по метаданным. Обучение проводилось с Whole Word Masking на очищенном корпусе урдуязычных текстов объёмом 17 ГБ. Модель подходит для восстановления пропущенных слов и как языковой энкодер для последующей адаптации к задачам классификации и анализа текстов на урду. Длина последовательности составляет 512 токенов; авторы сообщают о результатах на лингвистических и прикладных тестах, включая классификацию текстов. Указанные в README параметры варианта — 110 625 024 — расходятся с метаданными репозитория, поэтому число параметров в описании приведено по метаданным. Лицензия MIT.

DuoGuard-0.5B — классификатор безопасности текста, разработанный на основе Qwen 2.5 и предназначенный для модерации контента. Модель использует decoder-only архитектуру Qwen2 и содержит около 494 млн параметров; она дообучена для выявления рисков по 12 категориям, включая насильственные преступления, разжигание ненависти и сексуальный контент. На выходе модель формирует 12 логитов, которые можно преобразовать сигмоидой в оценки для многометочной классификации; для бинарной модерации оценки сравнивают с выбранным порогом. Модель специализировали прежде всего для английского, французского, немецкого и испанского языков. Она унаследовала более широкий языковой охват Qwen 2.5, в том числе поддержку русского, однако качество модерации на этих языках в карточке отдельно не подтверждено. Контекст составляет до 32 768 токенов. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0.

KBLab/emotional-classification — модель SetFit на основе архитектуры BERT для классификации эмоций в шведских текстах. Она разработана KBLab и обучена на новостных заголовках, размеченных вручную. Модель относит текст к одной из семи категорий: отсутствие эмоции, радость, любовь или эмпатия, тревога или страх, грусть или разочарование, гнев или ненависть, надежда или ожидание. Обучение проходило в два этапа: контрастивное дообучение шведского Sentence Transformer от KBLab и обучение классификационной головы на полученных признаках. Модель предназначена для автоматической разметки эмоциональной тональности текстов на шведском языке; также в каталоге отмечены извлечение признаков и сходство предложений. Размер составляет 151,9 млн параметров, контекст — до 512 токенов. Лицензия Apache-2.0. Оценка в карточке основана на очень маленьком тестовом наборе из 35 примеров, подобранных как хорошие представители категорий, поэтому она не отражает надёжно качество на реальных данных. Авторы указывают, что полноценная оценка на реальных данных запланирована позднее.

Это дообученная на арабских данных модель Google Gemma 4 E4B Instruct, созданная автором репозитория k-chirkunov для сравнения утверждений на диалектном арабском языке. Она принимает два утверждения в заданном формате диалога и относит их к одной из семи категорий семантической связи, включая эквивалентность, противоречие и частичное пересечение. Модель предназначена для задач естественного логического вывода и сравнения формулировок утверждений. Модель получена методом LoRA SFT и адаптер объединён с базовой моделью; доступны полные веса bf16 в формате safetensors. В README указан формат входа с системной инструкцией и двумя утверждениями, а результатом служит название категории. Карточка описывает обучение на наборе диалогов сравнения утверждений и лицензию Gemma. Результаты могут зависеть от соблюдения заданного шаблона; модель настроена на диалектный арабский и не заявлена как универсальный классификатор для других языков или задач.

GemmaDecision-270M v4 — текстовый реранкер на базе Gemma 3, разработанный проектом GemmaDecision. Модель получает запрос и варианты ответа, оценивает каждый вариант скалярной оценкой и ранжирует их; ответы в свободной форме она не генерирует. Веса включают дообученный текстовый энкодер и обучаемую голову принятия решений. Модель предназначена прежде всего для выбора темы банковского обращения среди четырёх предложенных вариантов и определения отношения между свидетельством и гипотезой в трёхклассовой задаче. README приводит результаты частного тестирования этих задач и подчёркивает, что они не подтверждают качество на официальной классификации BANKING77, произвольной маршрутизации инструментов или других областях. Доступны веса в форматах Safetensors и ONNX; параметры модели — 257 млн, контекст — до 32 768 токенов. Для ONNX-экспорта описан локальный запуск на CPU. Карточка сообщает о точности 96,50% на четырёхклассовой банковской задаче и 78,00% на трёхклассовой задаче отношений свидетельств на частном тесте; эти показатели нельзя переносить на другие сценарии. Оценки вероятности получаются из сырых оценок с фиксированной температурой и не гарантируют правильность. Модель лицензирована по лицензии Gemma.

GISchat-weibo-100k-fine-tuned-bert — модель классификации текста, созданная дообучением bert-base-chinese на датасете weibo-100k. Она предназначена для классификации китайских сообщений из Weibo; на оценочной выборке авторы сообщают accuracy 0,9867 и loss 0,0458. Модель построена на архитектуре BERT для классификации последовательностей, содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. В метаданных указан китайский язык, а веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

GottBERT_base_last — немецкоязычная модель семейства RoBERTa, разработанная и предварительно обученная на немецкой части первого выпуска корпуса OSCAR. Это базовая версия GottBERT с архитектурой RoBERTa и примерно 153,2 млн параметров по метаданным Hugging Face; она принимает текст и предназначена прежде всего для предсказания замаскированных токенов, а также может служить основой для задач распознавания именованных сущностей, классификации текста и логического вывода на немецком языке. Контекст составляет 514 токенов, токенизатор использует BPE со словарём около 52 тысяч подслов. В README приведены результаты оценки на немецких наборах CoNLL 2003, GermEval и XNLI. Модель поддерживает только немецкий язык и распространяется по лицензии MIT. Среди ограничений карточка отмечает, что фильтрация обучающих данных дала лишь небольшие улучшения, а TPU-обучение потребовало обработки данных единым потоком и обучения в 32-битном режиме.

Модель nahinfarhan/hadith-retriever-bn-v2 — текстовый Sentence Transformer, дообученный автором на базе intfloat/multilingual-e5-base для поиска хадисов. Она преобразует запросы и фрагменты текста в нормализованные плотные векторы размерностью 768 и предназначена для поиска по семантическому сходству с косинусной мерой. В обучающих примерах запросы и тексты хадисов на бенгальском языке сопоставлены как пары «запрос — релевантный фрагмент». Архитектура включает XLM-RoBERTa с усреднением токенных представлений и нормализацией; метаданные указывают 305,2 млн параметров и контекст до 514 токенов, тогда как README указывает максимальную длину последовательности 256 токенов. Модель принимает и выдаёт текстовые представления; её основное назначение — извлечение эмбеддингов для поиска, а не генерация ответов. Лицензия в предоставленных сведениях не указана.

Intent Detection V2.4 — дообученная Ningpy на Qwen2.5-7B-Instruct модель для определения намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Она классифицирует сообщения по типу медицинского запроса, выявляет потенциальные красные флаги и ситуации, требующие блокировки или перенаправления, включая сочетание экстренного случая с запросом о персональной дозировке. Модель формирует структурированный ответ с полями намерения, признаков риска, кодов маршрутизации и извлечённых лекарств, заболеваний и симптомов; сущности сохраняются как фрагменты исходного сообщения. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В README заявлены английский, китайский и брунейский малайский языки, а метаданные явно подтверждают английский и китайский. На валидационном наборе из 2 518 примеров указаны Safety F1 92,3%, точное совпадение многометочной разметки 88,0% и совместная точность 81,5%; эти показатели относятся к описанной авторами выборке. Для повторяемой маршрутизации рекомендована температура 0.0. Лицензия — Apache-2.0.

KcBERT-Base — корейская модель BERT, разработанная для работы с неформальным текстом из комментариев к новостям. Автор обучил её с нуля на комментариях и ответах к новостям Naver, чтобы учитывать разговорные выражения, сленг, новые слова, опечатки, эмодзи и характерную для комментариев пунктуацию. Модель имеет архитектуру BERT с 136,3 млн параметров, регистрозависимую токенизацию и словарь WordPiece размером 30 000 токенов; максимальная длина контекста — 300 токенов. Основной режим модели — предсказание замаскированных токенов. Её также можно дообучать для классификации тональности отзывов, распознавания сущностей, определения сходства и других задач на корейском языке. В карточке приведены результаты дообучения на нескольких корейских наборах данных, включая NSMC, Naver NER и KorQuaD. Модель распространяется по лицензии Apache-2.0. Она ориентирована прежде всего на корейские комментарии и может хуже подходить для формального текста или других языков; для прикладных задач требуется дообучение. В README автор указывает, что более поздняя KcELECTRA показывает более высокие результаты на всех рассмотренных задачах.

serize/klue-roberta-base-nli-stage2 — модель на основе корейской RoBERTa, дообученная авторами репозитория для классификации текста. Она содержит 137,8 млн параметров и рассчитана на обработку последовательностей длиной до 514 токенов. Карточка сообщает о точности 0,86 и значении loss 0,5985 на наборе оценки, но не раскрывает назначение меток и состав данных. Модель подходит для классификации корейского текста в задачах, близких к обучающей выборке. Она представлена в формате safetensors и использует библиотеку Transformers. Лицензия в доступных данных не указана.

KpfBERT — текстовая модель на архитектуре BERT, опубликованная jinmang2. Она предназначена для извлечения признаков из текста и может служить основой для последующей классификации или других задач обработки языка. Репозиторий Hugging Face предлагает использовать её через Transformers как feature-extraction pipeline или загружать напрямую как AutoModel. Модель содержит около 141,2 млн параметров и имеет контекст длиной до 512 токенов. Карточка не сообщает подробностей о языковом охвате, обучающих данных, целевой области применения или лицензии, поэтому эти характеристики нельзя подтвердить.

Это англоязычный классификатор текста на базе DistilBERT, дообученный автором wincode для распознавания текстов о еде и не о еде. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для отнесения входного текста к классам «еда» и «не еда». В README приведены результаты на оценочном наборе: loss 0,0006 и accuracy 1,0, однако датасет не описан, поэтому эти показатели нельзя обобщать на другие данные. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_57 — модель, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. По данным каталога, она относится к задачам классификации текста и основана на bert-base-uncased, дообученной на задаче Multi-Genre Natural Language Inference (MNLI). Суффикс seq_len_128 указывает на настройку с длиной последовательности 128 токенов, а mnli_ft — на дообучение для MNLI; точные параметры конфигурации этой версии в доступных источниках не подтверждены. Модель предназначена для классификации пар текстов в сценариях, связанных с определением логического отношения между ними, например entailment, contradiction или neutral. Она не является генеративной и рассчитана на обработку текста, а не изображений, аудио или других модальностей. Сильной стороной является использование предварительно обученной архитектуры BERT и специализация на MNLI; ограничения включают зависимость от качества и языка входных данных, ограниченную длину последовательности и отсутствие подтвержденных сведений о точности, языках, безопасном применении и результатах оценки. Сведения о лицензии для этой конкретной модели в доступных результатах поиска не указаны, поэтому условия её использования нельзя надежно определить.

LSG XLM-RoBERTa-base — модель на основе XLM-RoBERTa-base с механизмом внимания Local + Sparse + Global для обработки длинных последовательностей. Она сохраняет исходное число параметров и слоёв, а также токенизатор базовой модели; дополнительное предварительное обучение не проводилось. Реализация доступна для PyTorch и требует Transformers версии 4.36.1 или новее и загрузки пользовательского кода модели через trust_remote_code=True. Модель предназначена для заполнения маски и может использоваться в задачах классификации текста. Разреженное внимание позволяет обрабатывать последовательности длиной до 4098 токенов; входную длину рекомендуется согласовывать с размером блока. В конфигурации можно менять число глобальных токенов и параметры локальных и разреженных блоков. Поддержка encoder-decoder заявлена, но автор отмечает, что проверял её недостаточно тщательно. Модель адаптирована из ccdv/xlm-roberta-base, но дополнительного обучения не проходила. Лицензия в предоставленных данных не указана.

Модель kubota/luke-large-defamation-detection-japanese разработана на основе studio-ousia/luke-japanese-large и дообучена для автоматического выявления клеветы и оскорбительных высказываний на японском языке. Это классификатор последовательностей семейства LUKE с 436,2 млн параметров, принимающий текст и возвращающий одну из четырёх категорий: высказывание без признаков клеветы, угроза, оскорбление или высказывание, порочащее репутацию. Модель обучалась на сбалансированном наборе данных, объединяющем источники для анализа японских публикаций; в метаданных указан датасет kubota/defamation-japanese-twitter. Максимальная длина контекста составляет 514 токенов. Модель подходит для первичной сортировки японских сообщений и поиска потенциально проблемных высказываний в пользовательском контенте. Классификация не заменяет контекстную и юридическую оценку: карточка не приводит метрики качества, а формулировки могут быть неоднозначны вне контекста. Лицензия — CC BY-SA 4.0.