I.11Классификация, ранжирование и сопоставление

boltuix/bert-mobile — англоязычная компактная модель семейства MobileBERT от BoltUIX для NLP на мобильных устройствах и периферийном оборудовании. Это трансформер с архитектурой MobileBertForMaskedLM, производная от google/bert-base-uncased; в метаданных указано около 59,7 млн параметров и контекст до 512 токенов. Модель обучалась на BookCorpus и английской Википедии с задачами masked language modeling и next sentence prediction. Карточка сообщает размер около 140 МБ и возможность уменьшить его квантованием примерно до 25 МБ. Основное назначение в репозитории — заполнение пропусков в тексте. После дообучения модель подходит для классификации последовательностей, распознавания сущностей, извлечения ответов на вопросы и определения отношений между предложениями. Она ориентирована на сценарии, где важны компактность и работа на мобильных или edge-устройствах; для генерации текста и задач на других языках без дообучения не предназначена. Указана лицензия MIT. Качество на сложных задачах может уступать более крупным моделям. Модель может воспроизводить смещения из обучающих текстов, включая гендерные и профессиональные стереотипы; перед применением рекомендуется оценить её на целевых данных.

Celadon — модель классификации токсичности текста, разработанная Eliot Jones во время работы в Pleias. Это дообученная DeBERTa-v3-small с пятью классификационными головами, обученная на 600 тысячах примеров набора Toxic Commons. Она оценивает текст по пяти направлениям: предвзятость по признаку расы, происхождения или миграционного статуса; предвзятость по гендеру и сексуальности; религиозная предвзятость; дискриминация по способностям или инвалидности; графическое насилие, угрозы и призывы к насилию. Модель предназначена для автоматической разметки и фильтрации потенциально токсичного текста. Она использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 155 млн параметров и принимает текст длиной до 512 токенов. В карточке указана поддержка английского, нидерландского, испанского, немецкого, польского, итальянского, французского и португальского языков. Модель распространяется под лицензией Apache-2.0.

allenai/cs_roberta_base — англоязычная модель RoBERTa от Allen Institute for AI (Ai2), предназначенная для обработки текстов в области компьютерных наук. Это плотная трансформерная модель с 151,8 млн параметров и контекстом до 514 токенов; доступны веса PyTorch и Flax. Модель можно использовать как базовое представление текста для последующей настройки под задачи NLP, например классификацию научных текстов или извлечение ключевых фраз. Карточка Hugging Face не содержит описания конкретных задач, оценок качества и условий лицензии, поэтому эти свойства здесь не уточняются.

ctokx/cti-attack-mapper-modernbert — англоязычная модель классификации текста, разработанная для сопоставления предложений из отчетов о киберугрозах с 49 техниками MITRE ATT&CK. Это дообученная для многометочной классификации ModernBERT-base с 149 млн параметров, архитектурой ModernBERT и контекстом до 8192 токенов. Модель предназначена для первичной разметки отчетов, сортировки материалов для анализа и приблизительной оценки того, какие техники описаны в корпусе отчетов; результаты требуют проверки аналитиком и рассчитаны только на англоязычный текст об активности противника. На тестировании с разделением данных по исходным отчетам ModernBERT показала macro-F1 0,445, примерно на уровне TF-IDF-бейзлайна с результатом 0,454. Комбинация их вероятностей дала macro-F1 0,474 в пятифолдовой проверке, но преимущество над TF-IDF при его собственной оптимальной настройке порогов не выходит за пределы наблюдаемого шума. Качество слабее на редких техниках: средний F1 составляет 0,391 для 34 редких меток и 0,570 для 15 более частых. Модель выпущена под лицензией Apache-2.0 для защитных задач; её предсказания являются кандидатами на разметку, а не окончательными выводами.

izumi-lab/deberta-v2-small-japanese — компактная модель DeBERTaV2, предварительно обученная командой izumi-lab на японских текстах для предсказания замаскированных токенов. Она содержит 20,8 млн параметров, принимает текст и использует SentencePiece-токенизатор с словарём, обученным на японской Википедии; максимальная длина последовательности при предобучении составляла 128 токенов. Модель подходит для восстановления пропущенных слов и дальнейшей тонкой настройки для задач понимания японского языка. В карточке приведены результаты тонкой настройки на JSTS, JNLI и JCommonsenseQA, включая оценки сходства предложений, определение логического следования и ответы на вопросы здравого смысла. Для прикладного использования доступны веса PyTorch и Safetensors, а код предобучения опубликован в retarfi/language-pretraining. Обучение проводилось на японских частях CC-100, mC4 и OSCAR2301, а также на японской Википедии и Wikinews. Модель рассчитана на японский язык и короткий контекст; её карточка не описывает поддержку диалогового режима или других языков. Лицензия — CC BY-SA 4.0.

Это модель классификации текста на базе DistilBERT, дообученная из distilbert-base-uncased. Она предназначена для отнесения текста к классам; по идентификатору модели можно предположить связь с SST-2, набором данных для классификации тональности, однако README указывает датасет как None и не описывает назначение подробнее. Модель построена на DistilBertForSequenceClassification, работает с текстом в формате PyTorch и принимает последовательности длиной до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,7353 и loss 0,5625. Лицензия Apache-2.0 разрешает использование на её условиях. Данных о языках и конкретных метках классов в карточке нет.

SetFit опубликовал дообученную модель DistilBERT для классификации текста. По идентификатору модели она связана с SST-5 и обучением на всём тренировочном наборе; карточка указывает базовую модель distilbert-base-uncased. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и имеет контекст до 512 токенов. Модель предназначена для классификации последовательностей. На указанном в карточке наборе оценки достигла точности 0,5045 при значении функции потерь 1,3757. Описание набора данных, меток и целевого сценария в карточке отсутствует, поэтому конкретные классы и качество на других данных установить нельзя. Лицензия — Apache-2.0.

srijanratrey выпустил дообученную модель DistilBERT для многометочной классификации англоязычных комментариев. Она присваивает каждому комментарию любые подходящие метки из шести категорий: токсичность, сильная токсичность, непристойность, угроза, оскорбление и ненависть по признаку идентичности. Для каждой метки модель выдаёт независимую оценку вероятности, а не выбирает один класс; README приводит отдельные пороги для принятия решений и метрики на тестовой выборке. Модель основана на distilbert-base-uncased и использует классификационную голову DistilBertForSequenceClassification. Метаданные указывают контекст до 512 токенов, однако README сообщает, что при обучении входы обрезались до 256 токенов. В тесте macro-F1 составил 0,6836, но качество по редким классам ниже: F1 для угроз и сильной токсичности около 0,54. Модель обучена на комментариях со страниц обсуждений англоязычной Википедии 2018 года, поэтому на текстах других доменов качество может снизиться. Автор обозначает её как демонстрационную, не предназначенную для значимых решений о людях. Лицензия — MIT.

valurank/distilroberta-spam-comments-detection — модель классификации текста, дообученная на базе distilroberta-base. Она предназначена для выявления спама в комментариях и других текстовых сообщениях. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В README приведён результат F1 0,9992 на оценочном наборе, однако его состав и методика оценки не раскрыты, поэтому этот показатель не подтверждает качество на новых данных. Датасет обучения неизвестен. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Это модель бинарной классификации веб-страниц, разработанная для проекта Тамканского университета «Мультимодальная система предотвращения торговли наркотиками». Она основана на XLM-RoBERTa base с 12 слоями и определяет, является ли сайт площадкой для продажи наркотиков. На вход подаётся обычный текст веб-страницы, на выходе — метки классов и оценки softmax; контекст модели составляет 514 токенов. Модель предназначена для предварительной сортировки веб-страниц при мониторинге возможной онлайн-торговли наркотиками. В оценке на вручную размеченных реальных страницах из доменов, не пересекавшихся с обучающими данными, ROC-AUC составил 0,938. Оценки softmax не калиброваны и не должны напрямую интерпретироваться как вероятности; в рабочей системе авторы отдельно калибруют их и применяют порог. Объём оценки был ограничен, а результаты требуют проверки человеком. Модель распространяется по лицензии Apache-2.0.

Ariffiq99/e_care_xlm_roberta_large_finetuned — мультиязычная модель XLM-RoBERTa Large, дообученная для задачи multiple-choice. В карточке указаны 658,7 млн параметров, контекст до 514 токенов и формат весов safetensors; базовая модель — FacebookAI/xlm-roberta-large. Модель предназначена для выбора ответа из предложенных вариантов. По названию репозитория можно предположить связь с e-care, однако README не описывает сценарии применения, данные обучения или предметную область, поэтому её специализацию нельзя подтвердить. В оценке на неизвестном наборе данных указаны Loss 0,7550 и F1 0,8011. Модель разработана Ariffiq99 и опубликована по лицензии MIT. Она унаследовала мультиязычную основу XLM-RoBERTa, поддерживающую 100 языков; отдельные языки и ограничения для этой дообученной версии в карточке не уточнены.

IDEA-CCNL 团队发布的 Erlangshen-MegatronBert-1.3B-NLI，是基于 Erlangshen-MegatronBert-1.3B 微调的中文自然语言推断模型。它采用 MegatronBERT 稠密架构，约 1.7B 参数，通过对四个中文 NLI 数据集共 1,014,787 个样本进行微调，用于判断文本对之间的推断关系。模型以文本对为输入，输出序列分类结果，适合中文自然语言理解及文本关系判别场景。模型上下文长度为 512 个 token，提供 PyTorch 权重，采用 Apache-2.0 许可证。 README приводит результаты на cmnli, ocnli и snli, включая 84,52 на cmnli, 84,17 на ocnli и 88,67 на snli. Эти показатели относятся к указанным в карточке тестам; применимость на других данных отдельно не подтверждена. Модель ориентирована на китайский язык и для качественной работы требует формулировок на китайском.

Карточка модели jhu-clsp/ettin-decoder-68m 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.

Модель ali2066/finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26 — дообученная версия DistilBERT для классификации текста. В карточке указана базовая модель distilbert-base-uncased-finetuned-sst-2-english; задача модели — отнесение текста к классам. Модель создана на базе англоязычной версии DistilBERT, предназначенной для анализа тональности. В README приведены результаты оценки: accuracy 0,8299 и F1 0,8892; название набора данных для дообучения не указано. Контекст составляет 512 токенов, веса представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не описывает классы целевого датасета, обучающие данные и ограничения, поэтому применимость указанных метрик к конкретным сценариям классификации следует проверять отдельно.

flaird-modernbert-large-attention-multitask — модель классификации последовательностей на архитектуре FlairD, дообученная на неизвестном наборе данных. В карточке приведены результаты оценки: ROC-AUC 1,0, F1 0,997 и другие метрики, однако назначение классов и условия оценки не описаны. Модель предназначена для задачи text-classification и принимает текст, выдавая классификационные оценки или метки. Репозиторий использует Transformers и формат весов safetensors. Базовая модель, языки, размер и лицензия в доступных данных не установлены. Практическую надёжность результатов трудно оценить без сведений о данных и методике проверки.

humor-no-humor — модель классификации текста, дообученная разработчиком на базе distilbert-base-uncased для определения, содержит ли текст юмор. Она принимает текст и относит его к классу «шутка» или «не шутка»; модель предназначена для автоматической фильтрации и анализа коротких текстов. Архитектура — DistilBERT для классификации последовательностей, контекст ограничен 512 токенами. В README для оценки на тестовой выборке указаны F1 0,9537 и loss 0,1269. Модель опубликована под лицензией Apache-2.0. Подробности о составе обучающего датасета и ограничениях в карточке не раскрыты; метрика относится только к описанной оценочной выборке и сама по себе не гарантирует качество на других типах текста.

Карточка модели HuggingFaceM4/idefics-9b-instruct на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

Модель devngho/ko_edu_classifier_v2_nlpai-lab_KoE5 разработана devngho для оценки образовательной ценности корейских веб-страниц. Это модель KoE5 с добавленной классификационной головой, обученная на 500 тысячах корейских примеров из набора devngho/ko_llm_annotations; оценки для данных создавались с помощью Qwen2.5-32B-Instruct. По назначению она похожа на HuggingFaceFW/fineweb-edu-classifier, но ориентирована на корейский контент. Для корректной работы перед входным текстом требуется добавлять префикс «passage: ». Модель выполняет классификацию текста и выдаёт оценку образовательной ценности. В README указана оценка F1 около 0,72 при разделении примеров на группы выше и ниже 3; автор связывает ограниченное качество с недостатками корейских эмбеддингов и оценок, использованных при подготовке данных. Репозиторий содержит Flax- и safetensors-форматы. Лицензия — MIT.

Это версия модели для классификации текста, автоматически преобразованная в формат ONNX и опубликованная через Hugging Face Space. Модель основана на DistilBERT и дообучена для бинарного определения, относится ли текст к еде; она рассчитана на запуск через Transformers.js и поддерживает входную длину до 512 токенов. В README указана точность 1,0 и потеря 0,0005 на оценочном наборе, однако сведения о наборе данных и методике оценки отсутствуют, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель распространяется по лицензии Apache-2.0.

nruigrok/local_politics — дообученная модель классификации текста на базе GroNLP/bert-base-dutch-cased. Это BERT для последовательной классификации с 136,3 млн параметров и контекстом до 512 токенов. По названию репозитория модель предназначена для классификации текстов о местной политике; README сообщает F1 0,9017 и loss 0,4758 на тестовой выборке, но не описывает классы и набор данных. Лицензия в доступных сведениях не указана.

Это контекстная модель XLM-RoBERTa, разработанная Manifesto Project и дообученная на примерно 1,6 млн размеченных высказываний из Manifesto Corpus версии 2023a. Она относит текст к одной из 56 политических тем по схеме кодирования Manifesto Project, описанной в Handbook 4. Модель имеет около 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст высказывания вместе с окружающим контекстом; для контекста при обучении использовалось до 200 токенов. Максимальная длина контекста модели — 514 токенов. Контекстный вариант предназначен для классификации неоднозначных высказываний в политических манифестах: добавление окружающих предложений улучшило точность примерно на 7 процентных пунктов по сравнению с вариантом без контекста. Модель поддерживает языки предобучения XLM-RoBERTa, а лучше всего работает на 38 языках, представленных в Manifesto Corpus. На тестовом наборе из 199 046 высказываний контекстный вариант показал точность 0,64 и macro-F1 0,53. Для загрузки полной модели в Transformers требуется trust_remote_code=True. Лицензия — BigScience OpenRAIL-M.

edmundhui/mental_health_trainer — модель классификации текста на основе BERT, дообученная автором на наборе reddit_mental_health_posts. Она предназначена для классификации текстов о психическом здоровье. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель выпущена под лицензией Apache-2.0. Карточка не описывает метки классов, метрики качества и оценку пригодности для клинического использования; результаты не следует считать медицинским заключением.

Oculus 2.0 Multilingual AI Text Detector — многоязычный классификатор, разработанный Hastewire для определения текстов, созданных ИИ. Модель дообучена на базе DeBERTa-v3-large; по метаданным репозитория она содержит 533,8 млн параметров и поддерживает контекст до 512 токенов. Архитектура включает mean pooling и линейный классификатор, а результат представляет собой вероятность от 0 до 1, где 1 означает текст, созданный ИИ. Модель предназначена для проверки авторства текстов на восьми языках. В README указано обучение дистилляцией по мягким меткам GPTZero на 12 886 текстах; среди представленных генераторов — модели GPT, Gemini, DeepSeek, Grok и Claude. Для английского, испанского и португальского README приводит метрики точности, полноты и ложноположительной доли, а также сообщает о стресс-тесте на новых текстах от GPT-5.4, Claude Sonnet 4 и Gemini 2.5 Pro. Репозиторий распространяется по лицензии Apache-2.0. Результат является оценкой классификатора, а не доказательством происхождения текста; приведённые в карточке метрики не охватывают все языки и условия использования, поэтому оценку следует интерпретировать с учётом возможных ошибок.

silencesys/paraphrase-xlm-r-multilingual-v1-fine-tuned-for-medieval-latin — модель Sentence-Transformers на базе XLM-RoBERTa, дообученная для работы с латинскими текстами средневекового периода. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель рассчитана на поиск текстов по смыслу и группировку похожих фрагментов на средневековой латыни. Для использования предусмотрены Sentence-Transformers и Transformers; при работе через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Данные README указывают на обучение с DenoisingAutoEncoderLoss. В карточке и метаданных лицензия не приведена. Оценки качества для средневековой латыни в предоставленных материалах не указаны.

PatriLaCSE — модель Sentence Transformer, разработанная на основе bowphs/LaBerta и дообученная для получения векторов предложений и абзацев. Это RoBERTa с усреднением токенных представлений: модель кодирует текст в плотные 768-мерные эмбеддинги, а близость оценивается косинусным сходством. В репозитории указаны 153,2 млн параметров и библиотека Sentence Transformers; метаданные задают контекст до 514 токенов, тогда как карточка README указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и использования эмбеддингов в классификации. Обучающие примеры и название модели указывают на латинские тексты патристики; базовая LaBerta описана как одноязычная модель для классической филологии. README приводит оценку на наборе patrilacse-ir, включая cosine_accuracy@1 0,51 и @5 0,6447. Модель принимает текст и выдаёт векторы; она не предназначена для генерации ответов. Лицензия в предоставленных данных не указана.

Карточка модели nityaak/phi4-14b-stance-matrix-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/phi4-14b-stance-matrix-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Карточка модели nityaak/qwen3-8b-stance-matrix-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

hungvtm/qwen3vl-food-lora — LoRA-адаптер, опубликованный пользователем hungvtm и дообучающий мультимодальную Qwen3-VL-4B-Instruct в 4-битной версии unsloth. Модель предназначена для анализа фотографий еды и формирования структурированного текстового описания: названия блюда, типа пищи, основных ингредиентов, способа приготовления, размеров порций и пищевой ценности, включая калорийность, белки, жиры и углеводы. Обучение проводилось на датасете Codatta/MM-Food-100K; использовалась выборка из 5000 изображений, включающая домашние, ресторанные, сырые и упакованные продукты. Это vision-language-модель с адаптером LoRA ранга 16, контекстом до 2048 токенов и замороженным визуальным энкодером. Для наилучших результатов рекомендуется использовать фиксированный англоязычный промпт, на котором проводилось обучение. Модель особенно полезна для предварительной классификации блюд, извлечения ингредиентов и приблизительной оценки порций и макронутриентов по фотографии. Сильными сторонами являются близкие к эталонным определения ингредиентов, способа приготовления и порций, особенно для упакованных продуктов и изображений с заметным ориентиром размера. Точность названия блюда на проверочной выборке составила 50%, однако часть ошибок связана лишь с различиями формулировок. Оценки калорий и макронутриентов являются приблизительными: по одной фотографии нельзя надежно определить фактический вес, количество масла и особенности рецепта, а размеры порций неупакованных продуктов могут быть неточными. Модель распространяется по лицензии Apache-2.0.

PeytonT разработал C2 v2 — полноразмерную дообученную модель-энкодер на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует тексты научных статей и репозиториев в векторы и оценивает соответствие между ними, чтобы связывать методы и описания из статей с функциями, файлами или фрагментами кода. Модель содержит 25,9 млн параметров, использует архитектуру BERT и принимает текстовые пары; максимальный контекст составляет 512 токенов. Модель предназначена для ранжирования кандидатов на связь статьи с репозиторием, поиска свидетельств реализации и построения связей между публикациями и кодом в системе Repository Library. Качество на указанной отложенной выборке скромное: ROC AUC около 0,542, поэтому результаты требуют проверки в целевом процессе. Качество зависит от формирования пар и выбора отрицательных примеров; независимого внешнего аудита в карточке не описано. Лицензия в предоставленных данных не указана.

shahrukhx01/roberta-base-boolq — англоязычная модель классификации текста на базе архитектуры RoBERTa. В репозитории указаны 151,8 млн параметров и класс RobertaForSequenceClassification; модель выдаёт метку «YES» или «NO». Она предназначена для бинарной классификации ответов на вопросы формата BoolQ: по входному тексту определить, соответствует ли ответ «да» или «нет». Контекст модели составляет 514 токенов. Модель подходит для автоматической проверки бинарных ответов на английском языке и классификации текста по меткам «YES»/«NO». Доступны веса PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя.