I.11Классификация, ранжирование и сопоставление

sreehari267/er_model — модель Sentence Transformer на базе MPNet, обученная сопоставлять предложения и абзацы по смыслу. Она преобразует текст в плотные эмбеддинги размерностью 768 и предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указано обучение на наборе из 4 641 пары предложений с метками сходства; используется CosineSimilarityLoss. Архитектура включает MPNetModel, усреднение токенных представлений и нормализацию векторов. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов; README задаёт максимальную длину последовательности 384 токена. Модель принимает текст и выдаёт 768-мерные векторы, которые можно сравнивать по косинусному сходству. Лицензия в предоставленных данных не указана.

tasksource/ettin-17m-embed — компактная модель Sentence Transformer, дообученная Tasksource на базе jhu-clsp/ettin-encoder-17m. Она преобразует текстовые фрагменты в векторы размерностью 256 для поиска семантически близких предложений и текстов; для сравнения векторов используется косинусное сходство. Модель построена на архитектуре ModernBERT, содержит 16,8 млн параметров и поддерживает последовательности до 1024 токенов по README; метаданные указывают контекст до 7999 токенов. Модель рассчитана на английский язык. При обучении использовались наборы данных для семантического сходства, поиска, сопоставления вопросов и ответов, определения дубликатов и других задач понимания текста. Её можно применять для семантического поиска, поиска похожих предложений и построения эмбеддингов для ранжирования или группировки текстов. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Модель tasksource/ettin-32m-embed разработана как Sentence Transformer на базе jhu-clsp/ettin-encoder-32m и дообучена на 19 наборах данных. Она кодирует предложения и абзацы в плотные векторы размерности 384; близость текстов оценивается косинусным сходством. Архитектура включает ModernBERT-энкодер, усредняющий пулинг и нормализацию векторов. Модель содержит 31,9 млн параметров и поддерживает контекст до 7999 токенов по метаданным; в README указана максимальная длина последовательности 1024 токена. Модель предназначена для семантического сходства и поиска, поиска перефразировок, классификации и кластеризации текста. Англоязычные обучающие данные охватывают, среди прочего, распознавание дубликатов вопросов, поиск ответов, научные тексты и код. Лицензия в предоставленных данных не указана.

EttinX-sts-m — англоязычный cross-encoder для оценки семантического сходства двух текстов. Модель разработана dleemiller на основе jhu-clsp/ettin-encoder-150m и дообучена на sentence-transformers/stsb после предварительного обучения на подмножестве pair-score-sampled датасета dleemiller/wiki-sim. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она принимает пары текстов и возвращает оценку сходства от 0 до 1; заявленная длина контекста — около 8 тыс. токенов. По README, на тестовой части STS-Benchmark достигнуты корреляции Pearson 0,9143 и Spearman 0,9102. Модель подходит для ранжирования пар по сходству, сравнения ответов и оценки результатов LLM. Распространяется по лицензии MIT.

EuroBERT-610m — многоязычная плотная encoder-модель семейства EuroBERT от разработчиков, представивших это семейство. Веса содержат около 607,8 млн параметров; модель предназначена для языковых задач, включая поиск и ранжирование текстов, классификацию и регрессию. В Hugging Face она опубликована как masked language model для заполнения пропусков в тексте. Модель поддерживает 15 языков, а также математические задачи и код. Контекст — до 8 192 токенов. По данным карточки, EuroBERT-610m сопоставима с XLM-RoBERTa-XL на большинстве оценённых многоязычных задач и превосходит её в задачах с кодом и математикой; качество зависит от задачи и прикладной настройки. Доступна для Transformers в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

F2LLM-v2-4B — многоязычная модель эмбеддингов от CodeFuse AI, основанная на плотной архитектуре Qwen3. Она предназначена для преобразования текста в векторные представления, которые можно использовать для поиска, ранжирования, оценки сходства, кластеризации и поиска параллельных текстов. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель обучена на отобранном наборе из 60 миллионов общедоступных примеров; семейство F2LLM-v2 ориентировано более чем на 200 языков, в том числе языки с ограниченными обучающими ресурсами. Поддерживаются инструкции для запросов, а обучение Matryoshka Representation Learning позволяет уменьшать размерность эмбеддингов с сохранением полезных свойств представления. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Практическое качество зависит от языка, формулировки инструкции и выбранной размерности эмбеддингов; README не приводит отдельных численных результатов именно для версии 4B.

qinxianliu/FAB-Ramy-v1 — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Векторное представление получается усреднением токенов с последующей нормализацией; для сравнения используется косинусное сходство. Модель содержит 136,7 млн параметров, работает с последовательностями до 514 токенов по метаданным Hugging Face; в карточке README указан предел 384 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

FaLaBSE-v12-phase1-Quora — модель Sentence Transformer, дообученная codersan на базе многоязычной sentence-transformers/LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые сравнивают косинусным сходством. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 109 673 парах anchor-positive с использованием MultipleNegativesRankingLoss. Базовая LaBSE поддерживает 109 языков; README приводит примеры обучающих пар на персидском языке, но не уточняет полный набор языков для этой версии. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель использует архитектуру BERT и распространяется в формате safetensors; для работы указана библиотека sentence-transformers. Условия лицензии в доступных данных не приведены.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

Sahithkumar7/final-mpnet-base-fullfinetuned-epoch2 — дообученная модель Sentence Transformers на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов с помощью косинусного сходства. Модель содержит 136,7 млн параметров, использует архитектуру MPNet с усреднением токенов и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена на наборе из 800 примеров с парами anchor-positive-negative и MultipleNegativesRankingLoss; в README приведена точность cosine_accuracy 0,98 на двух тестовых выборках. Язык и предметная область обучающих данных явно не определены. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это англоязычная модель Sentence Transformers, дообученная на наборе PiC/phrase_similarity на базе google-bert/bert-large-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и оценивает смысловую близость с помощью косинусного сходства. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT Large и mean pooling; максимальная длина последовательности — 512 токенов. Модель работает с текстом на английском языке и формирует векторные представления для последующего сравнения. В README приведены результаты оценки на наборах для классификации пар предложений, но они не гарантируют качество на других данных. Использование распространяется по лицензии базовой модели; сведения о лицензии самой модели в предоставленных данных отсутствуют.

apostolosfilippas/finetuned-bge-base-en — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT-трансформер, объединение представлений токенов по CLS и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель содержит 136,7 млн параметров, использует библиотеку sentence-transformers и принимает последовательности длиной до 512 токенов. В README приведены результаты TripletEvaluator: точность по косинусному сходству 0,8173 на обучающем и 0,9394 на оценочном наборе bge-base-en; также описан небольшой набор для дообучения из 208 примеров. Лицензия в предоставленных данных не указана.

tikanosa выпустил дообученную модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT с усреднённым pooling и преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения семантического сходства. Модель предназначена для извлечения текстовых эмбеддингов и retrieval-сценариев; сходство векторов можно оценивать косинусной мерой. Модель содержит 124,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указана максимальная длина 128 токенов. Она основана на многоязычной модели, поэтому подходит для работы с текстами на нескольких языках. Дообучение проведено на наборе из 5 493 пар предложений с оценками сходства. Лицензия в предоставленных данных не указана.

Карточка модели KayaAI/finetuned_embedding_v3 на Hugging Face совпадает с карточкой XHY-DY/all-mpnet-base, поэтому описание составлено по ней. XHY-DY/all-mpnet-base — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она основана на MPNet и дообучена методом контрастивного обучения на наборе более чем из миллиарда пар предложений; исходная модель — microsoft/mpnet-base. В карточке указано применение для семантического поиска, измерения сходства предложений и кластеризации. По умолчанию текст длиннее 384 частей словаря обрезается. Модель принимает текст и возвращает векторное представление, пригодное для поиска и сравнения по смыслу. Она ориентирована на английский язык; заявленная библиотека — Sentence Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

srikarvar/fine_tuned_model_5 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В основе — архитектура BERT с усреднением токенных представлений и нормализацией; модель рассчитана на последовательности до 512 токенов. Дообучение проведено на парах предложений с метками сходства с использованием OnlineContrastiveLoss; в README приведены результаты оценки на тестовом наборе. Базовая модель multilingual-e5-small предназначена для многоязычных текстовых эмбеддингов, однако конкретные поддерживаемые языки этой версии в карточке не перечислены. Для работы нужны текстовые входы; результатом служат векторы, которые можно использовать в поисковых и сравнительных системах. Лицензия в предоставленных данных не указана.

owngpt/finetuned-phobert-base-v2 — модель Sentence-Transformers на основе PhoBERT, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска, кластеризации и сравнения сходства текстов; в README указано обучение с TripletLoss и евклидовой метрикой расстояния. Архитектура — RoBERTa, число параметров — 162,4 млн, формат весов — PyTorch, длина контекста — 258 токенов. Модель предназначена для получения эмбеддингов текста, которые позволяют находить семантически близкие фрагменты и группировать тексты. Семейство PhoBERT указывает на ориентацию на вьетнамский язык. Лицензия в предоставленных данных не указана.

kimquynh/finetuned_sbert — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, разработанная автором репозитория kimquynh. Она преобразует предложения и абзацы на английском языке в плотные текстовые векторы размерности 768 для семантического поиска, извлечения документов и сравнения сходства. Архитектура состоит из BERT, объединения представлений по CLS-токену и нормализации векторов; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель обучалась на парах предложений с оценками сходства; в README приведены результаты оценки на наборе resume-job-valid и данные о 9 398 обучающих примерах. Она подходит для поиска и ранжирования текстов по смыслу, в том числе для подбора резюме к вакансиям и извлечения контекста для RAG. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Это англоязычная модель Sentence Transformer, созданная автором kimquynh путём дообучения BAAI/bge-base-en-v1.5. Модель на базе BERT преобразует текст в плотные векторы размерности 768 и нормализует их; сходство векторов можно оценивать косинусной мерой. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Модель предназначена для получения эмбеддингов предложений и абзацев, семантического поиска, извлечения релевантных текстов и сравнения сходства предложений. Контекст ограничен 512 токенами. В README приведены оценки на задачах сходства и бинарной классификации, однако качество зависит от данных и порога сравнения. Лицензия в предоставленных данных не указана. Модель ориентирована на английский текст; README не заявляет поддержку других языков.

kimquynh/finetuned_sbert_5 — модель Sentence Transformer на архитектуре BERT, обученная разработчиком репозитория для получения векторных представлений предложений и абзацев. Она кодирует текст в нормализованные плотные векторы размерностью 768 и рассчитана на поиск похожих фрагментов и извлечение релевантных текстов. Для сравнения векторов можно использовать косинусное сходство. Модель принимает только текст и поддерживает последовательности длиной до 512 токенов. В README приведены оценки на задачах семантического сходства и бинарной классификации, включая Spearman cosine 0,5087 на наборе resume-job-sim. Метаданные указывают 136,7 млн параметров и формат safetensors. Языки и конкретная базовая модель не указаны. Условия лицензии в предоставленных данных отсутствуют.

kimquynh/finetuned_sbert_8 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная автором репозитория. Она преобразует предложения и абзацы на естественном языке в плотные текстовые векторы размерности 768 и подходит для поиска по смыслу и сравнения текстов по косинусному сходству. Архитектура включает MPNet, усредняющий pooling и нормализацию; размер модели — 136,7 млн параметров. В README указан предел последовательности 384 токена, а метаданные сообщают о native context в 514 токенов. Модель обучена на 6 241 парах текстов со значениями сходства; в README приведены результаты проверки на задачах семантического сходства и бинарной классификации. Она принимает текст и выдаёт эмбеддинги, которые можно использовать для извлечения релевантных документов, ранжирования кандидатов и кластеризации. Языки обучающих данных и основного применения не установлены по предоставленным сведениям. Лицензия в доступных данных не указана.

first_mistral — языковая модель Castorini, дообученная на основе mistralai/Mistral-7B-Instruct-v0.3 для ранжирования списков документов. Она использует стратегию FIRST и принимает решение по логитам первого токена, чтобы повысить эффективность ранжирования при сохранении качества. Модель обучена на 40 тысячах примеров ранжирования, размеченных GPT-4 и взятых из RankZephyr. Модель предназначена для переупорядочивания результатов поиска и других задач, где нужно выбрать наиболее релевантные документы из списка. В описанной авторами оценке она превосходит исходную реализацию FIRST на большинстве подмножеств бенчмарка BEIR. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; основной язык — английский. Лицензия MIT.

Gonalb/flucold-ft-v0 — модель Sentence Transformers, дообученная на базе Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Архитектура основана на BertModel с pooling по CLS-токену; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты оценки поиска на небольшом наборе данных из 334 обучающих примеров. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не описаны.

gemasphi/f-real-setfit-ss-paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, обученная сопоставлять предложения и абзацы в плотном векторном пространстве размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и вычисления сходства предложений; в каталоге также указана поддержка извлечения признаков. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Многоязычное назначение следует из названия модели; README не перечисляет конкретные поддерживаемые языки. Для работы можно использовать библиотеку Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

German-RAG-BGE-M3-TRIPLES-MERGED-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI. Она объединяет дообученную на примерно 300 тысячах триплетов модель German-RAG-BGE-M3-TRIPLES-HESSIAN-AI с BAAI/bge-m3, чтобы сохранить качество на других языках. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и преобразует текст в плотные векторы размерностью 1024; максимальная длина последовательности — 8194 токена. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления предложений и абзацев. Её можно применять для поиска по немецким документам, оценки семантического сходства, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты оценки на немецких задачах классификации, поиска и сходства, а также тест на бенчмарке German-RAG-EMBEDDING-BENCHMARK. Лицензия в предоставленных данных не указана.

Giga Embeddings 0826 3B GGUF — модель для получения текстовых эмбеддингов, основанная на ai-sage/Giga-Embeddings-instruct-3B-0826. GGUF-версии независимо конвертированы и квантованы командой ai-babai; это не официальный релиз ai-sage. Модель ориентирована прежде всего на русский и английский языки и предназначена для локального запуска через llama.cpp и Ollama. Модель подходит для семантического поиска, RAG, оценки сходства текстов, кластеризации, классификации и retrieval-сценариев. Она использует двунаправленную архитектуру, возвращает нормализованные эмбеддинги размерностью 2048 и применяет mean pooling, заданный в метаданных GGUF. Для поиска рекомендуется добавлять инструкцию к запросам, а документы кодировать как обычный текст; для симметричных задач следует использовать одинаковую инструкцию для обеих сторон или не использовать инструкции. Доступны варианты BF16, Q8_0, Q6_K и Q4_K_M. Q8_0 указан как рекомендуемый баланс качества и размера, BF16 является эталонной высокоточной версией, а Q4_K_M — экспериментальным облегчённым вариантом. Модель предназначена только для эмбеддингов и не генерирует текст. Приведённые авторами показатели MTEB относятся к исходной BF16-модели, тогда как полный независимый прогон MTEB для GGUF-версий не выполнялся. Модель распространяется по лицензии MIT.

Giga-Embeddings-instruct-480M-0826 — двуязычная модель текстовых эмбеддингов серии Giga-Embeddings, представленная под именем GigaChat. Она основана на предобученной модели с архитектурой Qwen3, адаптированной для двунаправленного encoder-style внимания, и обучена контрастивной функцией InfoNCE. Модель содержит около 483,7 млн параметров, формирует векторы размерности 1024 и поддерживает контекст до 8192 токенов. Модель предназначена для семантического поиска, сравнения предложений и абзацев, классификации и кластеризации текстов на русском и английском языках. Для асимметричного поиска к запросу следует добавлять краткую инструкцию задачи, а документы кодировать без неё; для симметричного сравнения инструкция необязательна. Используются mean pooling по непустым токенам и L2-нормализация; при прямом использовании через Transformers их нужно реализовать самостоятельно. По заявленным результатам модель сильна на русскоязычном MTEB, а на английском и коде уступает некоторым моделям из сравнения. Модель распространяется в формате safetensors, библиотека карточки — sentence-transformers. Лицензия MIT. Небольшие различия версий Transformers и PyTorch могут приводить к отличиям результатов воспроизведения.

moshew/gist_small_ft_gooaq_v3 — англоязычная Sentence Transformers модель, дообученная автором на 2 000 пар предложений из набора данных с вопросами и ответами. Она основана на avsolatorio/GIST-small-Embedding-v0 и использует BERT с объединением CLS-токена и нормализацией выходного вектора. Модель кодирует предложения и абзацы в плотные эмбеддинги размерности 384; максимальная длина входа — 512 токенов. Модель предназначена для оценки семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста по эмбеддингам. Примеры обучения показывают настройку на сопоставление вопросов с релевантными и нерелевантными фрагментами ответов. Репозиторий распространяет веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Карточка модели AshwinKM2005/github-duplicates-bi-encoder на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

GLiClass base v2.0 RAC init — модель классификации последовательностей с нулевым примером от Knowledgator, основанная на microsoft/deberta-v3-base. Она использует признаки с разных слоёв сети и выполняет классификацию за один проход, что делает её вычислительно эффективной по сравнению с cross-encoder. Модель предназначена для тематической классификации, анализа тональности и повторного ранжирования в RAG-сценариях. Версия RAC обучена учитывать примеры, найденные по семантическому сходству, и использовать их при предсказании. В тестах добавление таких примеров повышало средний F1 с 0,3090 без примеров до 0,4707 с двумя примерами; результаты зависят от набора данных и числа примеров. В карточке указана поддержка английского и французского языков. Модель распространяется в формате Safetensors по лицензии Apache-2.0; автор заявляет, что данные обучения допускают коммерческое использование.

GLiClass Edge v3.0 — компактная модель классификации последовательностей от Knowledgator на архитектуре GLiClass. Она предназначена для классификации текста без обучения на конкретном наборе меток: можно задавать категории для тематической классификации и анализа тональности. Модель также подходит для ранжирования результатов в RAG-системах. В карточке указаны 32,7 млн параметров и размер 131 МБ; веса опубликованы в формате safetensors. Модель обучали на логических задачах, используя LoRA-адаптеры, чтобы сохранить ранее приобретённые знания. По данным README, Edge быстрее более крупных вариантов GLiClass V3 в приведённых тестах, но показывает более низкий F1 на указанных наборах классификации; результаты зависят от задачи и формулировки меток. Поддерживаемые языки и длина контекста в предоставленных данных не обозначены. Лицензия — Apache-2.0.