I.11Классификация, ранжирование и сопоставление

Это модель SetFit для бинарной классификации текста, дообученная на основе многоязычной Microsoft Multilingual-MiniLM-L12-H384. Она сочетает Sentence Transformer на архитектуре BERT и классификационную голову SetFitHead; обучение использует контрастивную настройку эмбеддера и обучение классификатора на его признаках в режиме few-shot. Модель принимает текст длиной до 512 токенов и относит его к одному из двух классов. Примеры меток приведены на тамильском и малаялам и указывают на классификацию комментариев по содержанию, включая оскорбительные или непристойные высказывания. На указанной оценке точность составляет 0,6875, поэтому результаты требуют проверки на данных целевого применения. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

model_segment_content_DEFI — дообученная разработчиком модель классификации текста на базе PhoBERT-base-v2 с архитектурой RoBERTa и примерно 162,4 млн параметров. Она предназначена для классификации текстовых фрагментов; название модели указывает на сегментацию контента DEFI, но карточка не раскрывает метки классов и точный сценарий применения. Для модели указано окно контекста в 258 токенов. На оценочном наборе автор сообщает accuracy 0,9707 и F1 0,9659, однако набор данных обозначен как None, а подробности обучения и оценки отсутствуют. Базовая PhoBERT рассчитана на вьетнамский язык, поэтому модель следует применять к вьетнамскому тексту. Лицензия — AGPL-3.0.

vjosap/moralBERT-predict-harm-in-text — модель классификации текста, опубликованная пользователем Vjosa Preniqi на Hugging Face. Она предназначена для оценки текста по категории морального вреда и может использоваться для выявления содержания, связанного с причинением вреда. В карточке указаны задача text-classification и лицензия MIT. Подробности об архитектуре, размере, языках, обучающих данных и длине контекста в доступных сведениях не подтверждены, поэтому их нельзя надёжно описать. Модель принимает текст и выдаёт результат классификации; применимость предсказаний зависит от данных и контекста, на которых её обучали.

MOSS-VL-Base-0408 — базовая мультимодальная модель OpenMOSS для понимания изображений и видео. Она предназначена прежде всего для дообучения с учителем, выравнивания и адаптации к предметным областям; карточка также описывает её как основу для автономной обработки мультимодальных запросов. Модель использует архитектуру с перекрёстным вниманием и поддерживает изображения и видеокадры в исходном разрешении и соотношении сторон, а также их чередование в одном запросе. Для видео учитываются абсолютные временные метки, а XRoPE связывает текстовые и визуальные признаки по координатам времени, высоты и ширины. Карточка не приводит размер модели или длину контекста. Метаданные указывают библиотеку Transformers, формат safetensors и языки en и zh. Лицензия — Apache-2.0. Это базовый чекпойнт после четырёх этапов мультимодального предобучения, а не завершённая инструктивная модель. Авторы отмечают, что распознавание текста, особенно в длинных документах, и понимание видео очень большой длительности требуют дальнейшего улучшения.

MOSS-VL-Base-0708 — базовая мультимодальная модель семейства MOSS-VL, разработанная OpenMOSS. Она предназначена для понимания изображений и видео, а также для дальнейшего дообучения, выравнивания и адаптации к прикладным задачам. Модель принимает смешанные последовательности текста, изображений и видео; для видео использует временные метки, а изображения обрабатывает с динамическим разрешением. Архитектура — плотная vision-language-модель с перекрёстным вниманием, разделяющая визуальное кодирование и языковое рассуждение. В README указаны 11 млрд параметров, тип BF16 и контекст 256K токенов. Позиционное кодирование XRoPE связывает текстовые токены и визуальные фрагменты по времени, высоте и ширине. Модель поддерживает английский и китайский языки. Это базовый чекпойнт без настройки на следование инструкциям, поэтому для диалогового помощника или прикладного сценария обычно потребуется дообучение или выравнивание. В README отмечены направления дальнейшего улучшения: OCR и понимание документов, очень длинные видео, математика и программирование. Лицензия — Apache-2.0.

FritzStack/mpnet_MH_embedding — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для семантического сопоставления пунктов опросника депрессии Бека BDI-II с публикациями Reddit о психическом здоровье. Модель кодирует тексты в нормализованные плотные векторы размерности 768; для оценки близости используется косинусное сходство. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; карточка модели описывает максимальную длину последовательности 384 токена. Основной сценарий — находить публикации, семантически близкие к конкретному симптому из BDI-II. Модель также может применяться в исследованиях выражения симптомов в соцсетях, поиске и формировании тематических наборов текстов. Это узкоспециализированная модель для англоязычных текстов о психическом здоровье; её результаты сами по себе не являются клиническим диагнозом или подтверждением риска. Лицензия в предоставленных данных не указана.

MyAwesomeModel-TestRepo — репозиторий пользователя ToolathlonBot на Hugging Face с моделью типа BERT, предназначенной для извлечения признаков из текста. Метаданные указывают задачу feature-extraction, архитектуру BertModel, библиотеку Transformers и формат PyTorch. Веб-поиск описывает репозиторий как тестовый и сообщает о несоответствии между заявленной в карточке моделью и доступными техническими данными. Поэтому назначение можно определить по метаданным, но конкретные параметры, языковую поддержку, длину контекста и качество модели установить нельзя. Указана лицензия MIT.

Модель namaste-asu-matcher разработана Soham Chakraborty и дообучена на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления клинических формулировок с кодами классификации традиционных систем медицины Ayurveda, Siddha и Unani (ASU) из словаря NAMASTE. Это двунаправленный энкодер предложений на архитектуре BERT, который преобразует текст в плотные векторы размерности 384 для поиска и сравнения по косинусному сходству; число параметров — 25,9 млн. Модель предназначена для семантического поиска, устойчивого к опечаткам сопоставления симптомов и клинической лексики с терминами словаря, например в механизме картирования портала NAMASTE. Модель принимает текст на английском языке. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Обучение выполнено с MultipleNegativesRankingLoss на 1 322 примерах. Модель создаёт эмбеддинги, а не текстовые ответы; её специализация ограничена клинической терминологией и кодами ASU/NAMASTE. Лицензия — MIT.

leomaurodesenv/nli-MiniLM2-L6-H768-jailbreakv-28k — модель классификации последовательностей, полученная дообучением cross-encoder/nli-MiniLM2-L6-H768. Она предназначена для классификации текста; название указывает на возможное применение для выявления jailbreak-запросов, однако README не подтверждает эту специализацию и не описывает набор данных или методику оценки. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Базовая модель работает с парами предложений для определения логического отношения и поддерживает zero-shot-классификацию. Для этой версии README приводит accuracy 1.0 и loss 0.0000 на оценочном наборе, но без сведений о его составе и размере эти показатели нельзя интерпретировать как подтверждение качества на новых данных. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Модель hemekci/off_detection_turkish — дообученный BERT-классификатор для выявления оскорбительной лексики в турецких текстах, разработанный на базе PyTorch. Она относит текст к классу оскорбительного или неоскорбительного содержания и предназначена, в частности, для анализа публикаций в социальных сетях. Модель дообучена на 31 277 предложениях из Twitter; архитектура — BertForSequenceClassification с 211,6 млн параметров и контекстом до 512 токенов. В README приведены результаты проверки: точность 0,90 и MCC 0,633. Модель принимает текст на турецком языке и выдаёт метку класса. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных сведениях не указана.

Карточка модели nityaak/phi4-14b-stance-matrix-semeval-ezstance-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/phi4-14b-stance-matrix-semeval-mtcsd-ezstance-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.

Momix-44/Qwen3.5-9B-gemini-3.1-opus-4.6-reasoning — причинно-ориентированная модель на 9 млрд параметров, построенная на базе Qwen/Qwen3.5-9B. В карточке модель связана с разработчиком или источником voidful, а для обучения указано объединённое датасетное пространство voidful/gemini-3.1-opus-4.6-reasoning-merged. Модель представляет собой каузальную языковую модель и предназначена прежде всего для задач рассуждения, выбора ответа в тестах с вариантами и обобщённой работы в режиме zero-shot. По заявленным результатам модель показывает лучший совокупный результат среди сравниваемых Qwen/Qwen3.5-9B и DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT: средний балл по семи задачам составил 0,7133, а макро-среднее по 12 метрикам — 0,6749. Наиболее заметные преимущества отмечены в ARC-Challenge, ARC-Easy и BoolQ; также модель конкурентоспособна в PIQA. При этом она уступает одному или обоим сравниваемым вариантам на отдельных метриках HellaSwag, OpenBookQA и Winogrande, поэтому не считается универсально лучшей. Оценка проводилась в одинаковом zero-shot-режиме без примеров few-shot на ограниченном наборе англоязычных тестов. Данных о поддерживаемых языках, размере контекста, мультимодальности, результатах instruction following, программировании и длинном контексте в карточке нет. Указана лицензия Apache-2.0.

Карточка модели nityaak/qwen3-8b-stance-matrix-ezstance-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.

Карточка модели nityaak/qwen3-8b-stance-matrix-mtcsd-ezstance-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.

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-ezstance-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.

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.

re-roberta-large — модель классификации отношений на основе архитектуры RoBERTa Large, разработанная проектом ACCORD-NLP для автоматизированной проверки соответствия требованиям в секторе архитектуры, инженерии и строительства. Она дообучена на наборе данных CODE-ACCORD Relations и предназначена для извлечения и классификации связей между сущностями в тексте нормативных документов. Модель принимает текст и выдаёт метки классов отношений. Она содержит 454,1 млн параметров, поддерживает английский язык и имеет контекст длиной до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

cjcjee/RewardModel — модель классификации последовательностей на базе RoBERTa, дообученная автором на неопределённом датасете. Она содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. Модель предназначена для классификации текста. На указанном в карточке наборе оценки достигла accuracy 0,9645 и loss 0,3729; данных о классах, составе выборки и сценариях применения нет, поэтому эти результаты нельзя уверенно переносить на другие задачи. Лицензия — MIT.

RobBERT-2023 Dutch Base — базовая языковая модель, выпущенная исследовательской группой DTAI KU Leuven как обновлённая версия RobBERT для нидерландского языка. Она обучена на данных OSCAR 2023 с новым токенизатором, чтобы лучше учитывать современную лексику и актуальные для корпуса сведения. Модель использует архитектуру RoBERTa и задачу предобучения с маскированными токенами; в этой версии около 151,6 млн параметров и контекст до 514 токенов. Основной сценарий — заполнение пропусков в нидерландском тексте. Как базовую модель её также можно дообучать для задач классификации и других прикладных задач обработки нидерландского языка. Модель рассчитана прежде всего на нидерландский, включая фламандское употребление. Лицензия MIT разрешает свободное использование и модификацию при соблюдении её условий. Качество зависит от предметной области и последующего дообучения; модель не предназначена для непосредственной генерации длинных ответов.

RoBERTArg — модель chkla для выявления аргументативных высказываний в тексте. Она дообучена на RoBERTa base и классифицирует предложение по двум меткам: ARGUMENT и NON-ARGUMENT. Чекпойнт содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучена на примерно 25 тысячах вручную размеченных предложений из набора Stab et al. (2018), охватывающих спорные темы, включая аборты, школьную форму, смертную казнь, легализацию марихуаны, ядерную энергетику, клонирование, контроль над оружием и минимальную зарплату. На отложенной выборке указаны accuracy 0,8193 и F1 0,8021. Её можно использовать как начальный инструмент для поиска аргументов и неаргументативных фрагментов в текстах на английском языке. Качество может снижаться на темах и типах текстов, отсутствовавших в обучающей выборке; кроме того, классификация предложений упрощает сложную структуру аргументации. Лицензия в предоставленных данных не указана.

Finnish-NLP разработала крупную модель RoBERTa для финского языка, предварительно обученную с помощью WECHSEL и задачи masked language modeling. Для начальной инициализации токенных эмбеддингов использовалась английская roberta-large и многоязычные статические векторы fastText, что позволило перенести семантическую близость между английскими и финскими токенами. Модель содержит 454,1 млн параметров, использует чувствительную к регистру токенизацию BPE и принимает последовательности длиной до 514 токенов. Основное применение — предсказание замаскированных слов в финском тексте; полученные представления также можно дообучать для классификации последовательностей и токенов или ответов на вопросы. Авторы отмечают более высокие результаты fill-mask по сравнению с их моделями, обученными с нуля, хотя существенного преимущества в downstream-классификации не обнаружили. Модель предназначена для понимания текста, а не для генерации связного текста. Обучение проводилось на финских веб-текстах, Википедии, новостных архивах и корпусе Suomi24. Данные из интернета могут приводить к предвзятым предсказаниям. Лицензия — Apache-2.0.

irfanamal/roberta_multiple_choice — модель на базе RoBERTa, дообученная для выбора правильного варианта из нескольких предложенных ответов. Она предназначена для задач multiple choice, где вход содержит вопрос и варианты ответа, а модель оценивает их и помогает выбрать наиболее подходящий. Модель имеет архитектуру RobertaForMultipleChoice, около 151,8 млн параметров и контекст до 514 токенов. В README приведены результаты оценки: accuracy 0,58 и loss 1,2868; обучающий датасет не описан. Модель опубликована в формате PyTorch под лицензией MIT. Язык и предметная область обучения не установлены по доступным данным, поэтому применимость к конкретной тематике требует отдельной проверки.

RinKana/sentence-t5-base-iran-us-news-embedder — дообученная модель Sentence Transformers на базе sentence-transformers/sentence-t5-base, разработанная для создания векторных представлений английских новостных заголовков и текстов об Иране и США. Она кодирует предложения и абзацы в плотные 768-мерные векторы, которые можно сравнивать по косинусному сходству для поиска и сопоставления новостных материалов. Модель использует архитектуру T5EncoderModel; библиотека Sentence Transformers. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов, поэтому для практического использования следует учитывать ограничение в 256 токенов. Модель обучена на 2 057 парах предложений и абзацев с использованием MultipleNegativesRankingLoss. В опубликованной оценке retrieval качество невысокое: cosine_accuracy@5 составляет 0,0218. Модель принимает текст и выдаёт эмбеддинги; её применение ориентировано на англоязычные новостные тексты. Лицензия в предоставленных данных не указана.

Классификатор намерений Tɛkyerɛma от Prince Nasamu Alhassan. Это дообученная на AfroXLMR-base модель XLM-RoBERTa с архитектурой sequence classification и примерно 305 млн параметров; она принимает текст команд и относит его к намерениям. Модель предназначена для быстрого выбора маршрута обработки голосовых команд на языках Ганы, включая Twi, Ewe и Hausa, без предварительного перевода. Указанная в карточке точность составляет 0,855 для Twi, 0,780 для Ewe и 0,975 для Hausa; длина контекста — 514 токенов. Это быстрый классификатор в семействе моделей голосового агента, а не распознаватель речи: на вход ему подают текст, например результат ASR. Оценка проводилась на текстовых и машинно переведённых примерах, а не на записях реальных команд, поэтому качество в полевых условиях и при переключении языков может отличаться. Автор характеризует модель как исследовательскую работу с хакатона, без поддержки продукта. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

vijjj1/toxic-comment-phobert — модель классификации комментариев, дообученная автором @vijjj1 на базе vinai/phobert-base-v2. Она относит вьетнамские комментарии к двум классам: обычным и токсичным, включая оскорбления и нападки. Модель основана на RoBERTa и содержит 162,4 млн параметров; принимает текст, использует контекст до 258 токенов и возвращает метку класса и оценку. Предназначена для модерации комментариев в социальных сетях и предварительной фильтрации данных. В описании приведены результаты на тестовой выборке: accuracy 0,90 и F1 для токсичного класса 0,87. Качество может зависеть от тематики и особенностей сленга; модель ориентирована на вьетнамский язык. Лицензия — MIT.

UL_interior_classification — модель классификации изображений, дообученная автором sharmajai901 на основе google/vit-base-patch16-224. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для отнесения изображений интерьеров к категориям. На указанной в карточке тестовой выборке она достигла точности 0,5876 при значении функции потерь 1,2517. Эти результаты относятся к конкретной оценочной выборке и сами по себе не показывают качество на других данных.

qanastek/XLMRoberta-Alexa-Intents-Classification — классификатор намерений пользователя, разработанный Янисом Лабраком из NLP-команды Университета Авиньона. Модель основана на XLM-RoBERTa и предназначена для классификации коротких запросов к голосовому помощнику по одному из 60 намерений, например для управления музыкой, будильниками, календарём, умными устройствами и получения справочной информации. Модель обучена на наборе MASSIVE — параллельном наборе более чем из миллиона высказываний на 51 языке, созданном для задач понимания естественного языка голосовых помощников. В метаданных указаны 305,2 млн параметров, контекст до 514 токенов и формат PyTorch; заявленная лицензия — CC BY 4.0. Модель принимает текст и выдаёт метку класса намерения. Описание не приводит результатов оценки качества; классификация ограничена набором предусмотренных классов и сценарием коротких команд голосовому помощнику.

mrm8488 дообучил XLM-RoBERTa Base на корпусе Hello-SimpleAI HC3 для классификации текста, написанного человеком или ChatGPT. Модель предназначена для выявления текстов, сгенерированных ChatGPT, и сравнения их с человеческими ответами. Это плотная трансформерная модель с архитектурой XLMRobertaForSequenceClassification, примерно 305,2 млн параметров и контекстом до 514 токенов. Базовая XLM-RoBERTa предварительно обучена на многоязычных данных; в метаданных указана поддержка широкого набора языков. В README приведено значение F1 0,9736 на оценке авторов, но условия этой оценки не описаны.

Kuongan/xlm-roberta-base-orm-finetuned — дообученная модель классификации последовательностей на архитектуре XLM-RoBERTa Base, опубликованная в формате Safetensors. Она предназначена для отнесения текста к классам; конкретные классы и прикладной сценарий не описаны. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Базовая модель — FacebookAI/xlm-roberta-base. В README приведены результаты оценки: loss 0,3548, F1 0,4488, ROC AUC 0,6931 и accuracy 0,5087. Датасет обучения указан как None, поэтому по доступным данным нельзя определить предметную область и состав меток. Лицензия модели — MIT.