I.11Классификация, ранжирование и сопоставление

AIMv2-3B-patch14-336 — модель компьютерного зрения из семейства AIMv2, разработанного Apple и предварительно обученного с мультимодальной авторегрессионной целевой функцией. Репозиторий содержит vision-архитектуру Aimv2VisionModel примерно с 2,7 млрд параметров и веса в форматах Flax и Safetensors; модель загружается через Transformers и принимает изображения для извлечения признаков. Модель предназначена для получения визуальных признаков, полезных для мультимодального понимания изображений и задач распознавания. В README сообщается о результатах семейства AIMv2 на мультимодальных бенчмарках, обнаружении объектов с открытым словарём и понимании ссылочных выражений; для AIMv2-3B также приведён результат 89,5% на ImageNet с замороженной основой. Эти результаты относятся к семейству и указанной конфигурации оценки, а не гарантируют качество в каждом прикладном сценарии. Лицензия репозитория — apple-amlr. Модель принимает изображения и выдаёт признаки; карточка не описывает генерацию изображений или текстовый интерфейс для общения.

ALBERT XLarge v1 — англоязычная предварительно обученная модель семейства ALBERT, представленная разработчиками ALBERT и распространяемая Hugging Face. Она обучена на BookCorpus и английской Википедии для восстановления замаскированных слов и определения порядка соседних фрагментов текста. Модель предназначена прежде всего для задачи fill-mask и получения контекстных представлений для последующей тонкой настройки на классификацию последовательностей и токенов или ответы на вопросы. Архитектура использует 24 повторяющихся слоя Transformer с общими весами, 128-мерными эмбеддингами, скрытым размером 2048 и 16 головами внимания. README указывает 58 млн параметров, тогда как метаданные каталога — 1,7 млрд; поэтому размер модели по доступным источникам расходится. Контекст — до 512 токенов. Модель uncased: регистр букв не различается; данные для обучения были приведены к нижнему регистру и токенизированы SentencePiece. Разделение весов между слоями уменьшает объём памяти по сравнению с архитектурой с отдельными весами каждого слоя, но вычислительная стоимость остаётся сопоставимой с Transformer аналогичной глубины. Модель не предназначена для генерации связного текста; её версии 2 обучались дольше, на дополнительных данных и показывали лучшие результаты почти во всех указанных downstream-задачах. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

maayans/all-mpnet-base-v2__ratio-specify — модель Sentence Transformers, созданная на основе sentence-transformers/all-mpnet-base-v2 и дообученная для операции SPECIFY в наборе RATIO. Она кодирует научные запросы и предложения-кандидаты в векторы, чтобы находить конкретизацию или более узкую формулировку исходного запроса. Для запросов используется префикс «query: », а для кандидатов — «document: ». Модель основана на MPNet, содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Она предназначена для семантического поиска по научной литературе; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты зависят от использования заданных префиксов и соответствия данных научному сценарию SPECIFY.

allenai/aspire-biencoder-biomed-scib — модель bi-encoder на основе BERT, разработанная Sheshera Mysore, Arman Cohan и Tom Hope для оценки сходства научных документов. В работе она называется Specter-CoCite_Scib и предназначена прежде всего для поиска и ранжирования статей по их заголовкам и аннотациям в биомедицинской области. Модель инициализирована SciBERT и обучена на 1,2 млн пар совместно цитируемых биомедицинских статей с контрастивным обучением. Она формирует вектор документа на основе скалярного смешивания представлений токена CLS по слоям кодировщика. Модель подходит для поиска релевантных научных публикаций по другой статье или аннотации. Архитектура — BERT, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. В карточке приведены результаты оценки на англоязычных наборах RELISH и TRECCOVID. Параметры scalar mix не включены в этот репозиторий, но доступны в полной версии модели. Обучение преимущественно на биомедицинских данных может снижать качество в других областях. Лицензия — Apache-2.0.

Это модель BART-base, дообученная на испаноязычном наборе данных для распознавания логической связи между посылкой и гипотезой. Она классифицирует пары текстов по трём категориям: следование, нейтральное отношение и противоречие. Модель предназначена для задач понимания текста на испанском языке и доступна для использования через библиотеку Transformers. Модель содержит 95,2 млн параметров, использует архитектуру BART и принимает текстовые последовательности с контекстом до 1024 токенов. В README указаны обучение с ранней остановкой и метрика accuracy; приведённые результаты показывают качество, которое следует проверять на данных конкретного применения. Модель распространяется по лицензии Apache-2.0.

CAMeLBERT-Mix — арабская языковая модель семейства BERT, разработанная CAMeL Lab и предварительно обученная на смеси современного литературного арабского (MSA), диалектного арабского (DA) и классического арабского (CA). Модель содержит 136,3 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под задачи обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности и определение диалекта. Она обучалась на корпусах разных арабских вариантов, что позволяет применять её к литературному, диалектному и классическому тексту. Лицензия Apache 2.0.

BETO — испаноязычная модель семейства BERT, разработанная исследователями Университета Чили (DCC UChile) и обученная на большом корпусе текстов на испанском языке. Эта версия сохраняет регистр букв и использует Whole Word Masking. Модель имеет около 137,1 млн параметров, словарь примерно из 31 тысячи BPE-подслов на основе SentencePiece и контекст до 512 токенов; веса доступны в форматах PyTorch, TensorFlow и Flax. Модель предназначена для предсказания замаскированных слов в испанском тексте и может служить основой для дообучения под задачи обработки испанского языка. В карточке приведены результаты бенчмарков BETO для разметки частей речи, распознавания именованных сущностей и классификации текстов; эти сценарии требуют соответствующей настройки модели. В README не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

textattack/bert-base-uncased-MNLI — модель классификации пар предложений, опубликованная TextAttack. Она основана на BERT base uncased и дообучена для распознавания текстовых выводов (MNLI): по предпосылке и гипотезе предсказывает entailment, neutral или contradiction. Модель содержит около 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текстовые пары с контекстом до 512 токенов. Доступны веса PyTorch и Flax. Подходит для задач вывода на английском языке, включая классификацию отношения между предложениями и zero-shot классификацию через формулировку задачи как проверки гипотез. Это специализированный классификатор, а не генеративная модель; его метки и качество ограничены задачей и данными MNLI, поэтому он не предназначен для свободных ответов или надёжного понимания произвольных предметных областей. Условия лицензии в доступных сведениях не подтверждены.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная philschmid на BAAI/bge-base-en-v1.5 для поиска по финансовым текстам. Она кодирует предложения и абзацы в плотные векторы размерностью 768, сравниваемые по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Обучение с MatryoshkaLoss рассчитано на использование полных векторов и их укороченных вариантов размерностью 512, 256, 128 или 64. Модель подходит для семантического поиска и ранжирования финансовых фрагментов по запросам, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входа — 512 токенов. Карточка приводит метрики поиска на наборах basline_768, basline_512, basline_256, basline_128 и basline_64; результаты зависят от набора и размерности вектора. Модель принимает текст и выдаёт векторы, а не готовые ответы. Она ориентирована на английский язык и финансовые тексты; эффективность на других языках и за пределами финансового домена не подтверждена. Лицензия — Apache-2.0.

OmmWankhedee369/bge-base-medical-v1 — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 для получения плотных текстовых эмбеддингов. Архитектура основана на BERT; модель преобразует предложения и абзацы в векторы размерности 768, нормализует их и позволяет сравнивать по косинусному сходству. Максимальная длина последовательности по README — 192 токена; общий контекст модели по метаданным — до 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в медицинских материалах. Подходит для поиска по коллекциям документов и подбора похожих предложений; README не приводит медицинские оценки качества или сведения о датасете обучения. Лицензия — Apache-2.0.

blink-27b — дообученная модель thegovind на текстовой части Qwen/Qwen3.8-27B с 22,3 млрд параметров по метаданным каталога. Она предназначена для типизированного выбора: получает текстовое или JSON-состояние и вопрос с вариантами ответа, а затем за один проход возвращает условные вероятности для каждого варианта без генерации пояснительного текста. Подходит для принятия решений в приложениях и агентных системах, включая выбор действия по описанию страницы, проверку завершения задачи и оценку риска операции. Модель использует плотную архитектуру Qwen3_5ForCausalLM; карточка описывает 64 декодерных слоя, смешивающих Gated DeltaNet и полнослойное внимание. Контекст — до 262 144 токенов. Основной режим текстовый; изображения можно включить при самостоятельном развёртывании, подключив визуальный энкодер базовой модели, но он не входит в опубликованный текстовый чекпойнт. Карточка сообщает об обучении на целевых распределениях и демонстрационных результатах, которые не являются официальным бенчмарком. Для запуска описаны Transformers-сервер и вариант MLX для Apple silicon. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты. Вероятности относятся к предложенным вариантам и не гарантируют правильность ответа; визуальный режим требует отдельного подключения энкодера, а браузерный сценарий по тексту не обеспечивает автономную навигацию.

CLM-v0.1-8B — модель контрастивного ранжирования от проекта Contrastive Language Model. Она построена на замороженном текстовом энкодере Qwen3-8B и двух обучаемых проекционных головах для представления состояний и действий; обучение использует двунаправленную функцию потерь InfoNCE. Модель предназначена для оценки и сравнения заданных кандидатов, в том числе вариантов ответа, инструментов и следующих действий в агентных сценариях. CLM применяют для ранжирования решений и проверки кандидатов в задачах использования компьютера, игр и вызова инструментов. В README также приведены результаты дообученных на отдельных задачах голов в бенчмарках DeepSWE и Terminal-Bench; эти показатели не относятся к исходному чекпойнту без дообучения. Раздельное кодирование состояний и действий позволяет повторно использовать представления действий и ускорять сравнение большого числа кандидатов. Модель не генерирует текст и оценивает кандидатов только относительно переданного набора. Для работы голов нужен последний pooled-эмбеддинг энкодера Qwen3-8B. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Метаданные указывают английский язык карточки, но README не описывает более широкий список языков для ранжирования.

ConCor-1 — модель сопоставления текста и изображений, разработанная исследователями University of Washington, Allen Institute for AI и FAIR at Meta. Она дообучена на мультимодальной основе Qwen3.5-0.8B и предназначена для двунаправленного grounding: связывает фрагменты текста с соответствующими объектами или областями изображения. Для каждого предполагаемого соответствия модель предсказывает маску текста, маску изображения и оценку наличия корректной связи. Модель подходит для сегментации объектов по описанию, связывания слов или фраз с областями на изображении, а также поиска объектов по списку категорий. Архитектура использует обучаемые bridge-токены, которые совместно обрабатывают визуальные и текстовые признаки; веса опубликованы в формате safetensors, для инференса описан стек PyTorch и Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. ConCor-1 ориентирована на выделение соответствий между текстом и визуальными областями, а не на универсальный диалог. Качество масок и обнаружения соответствий зависит от порогов постобработки; README перечисляет настраиваемые пороги присутствия, текста, изображения и NMS.

Это плотная модель текстовых эмбеддингов deka-qwen3-emb-0.6b-weight-lawyer-anompos, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она предназначена для семантического поиска по юридическим документам: запросы обучались на текстах фактических обстоятельств дел, а документы относятся к регистру lawyer. Для получения эмбеддингов применяется pooling последнего токена с левым дополнением и нормализацией L2; в обучении использовались максимальные длины 256 токенов для запроса и 1300 для документа. Базовая архитектура Qwen3 насчитывает 507,6 млн параметров и поддерживает контекст до 32 768 токенов. На тесте по полному корпусу чистых оценок релевантности Recall@10 составил 11,9 для пользовательских запросов, 21,9 для запросов в регистре lawyer и 28,57 для запросов в регистре fact; результаты зависят от регистра запроса. Для корректной работы запросы должны содержать использованный при обучении префикс-инструкцию, а документы — не должны. Модель принимает текст и выдаёт векторы эмбеддингов для сравнения сходства и поиска. Распространяется под лицензией Apache-2.0.

microsoft/DialogRPT-human-vs-machine — модель классификации последовательностей на базе GPT-2, опубликованная группой Microsoft Research NLP. Она оценивает, насколько вероятно, что ответ в диалоге написан человеком, а не машиной; оценку можно использовать для анализа ответов и выбора кандидатов, сгенерированных диалоговой моделью. Семейство DialogRPT обучалось предсказывать реакцию людей на ответы в диалогах по более чем 100 млн примеров обратной связи. Модель принимает текст контекста и ответа и выдаёт оценку human_vs_machine. Максимальная длина контекста — 1024 токена; формат весов — PyTorch. Лицензия в предоставленных данных не указана.

EfficientViT L3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она принимает изображения размером 256 × 256 пикселей и содержит около 246 млн параметров; вычислительная сложность составляет 36,1 GMACs. Архитектура EfficientViT использует многоуровневое линейное внимание и может служить основой для плотного анализа изображений. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. В карточке указана лицензия Apache-2.0. Результаты на других наборах данных и ограничения применения в карточке не описаны.

EgyBERT — модель семейства BERT, разработанная для работы с текстами на египетском диалекте арабского языка. Её предварительно обучили на корпусе египетских твитов объёмом более 34 миллионов сообщений и корпусе интернет-форумов объёмом более 44 миллионов предложений; суммарный объём текстов составил 10,4 ГБ. Модель содержит около 170,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для извлечения признаков. EgyBERT можно использовать как основу для получения контекстных представлений египетского диалектного текста и построения downstream-систем обработки языка. Репозиторий предоставляет веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.

dima806/email-spam-detection-roberta — англоязычная модель классификации текста на базе RoBERTa, дообученная на FacebookAI/roberta-base для обнаружения спама в электронных письмах. Она принимает текст и выдаёт метку класса; архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, максимальный контекст — 514 токенов. Модель подходит для автоматической сортировки почты и предварительной фильтрации подозрительных писем. Распространяется по лицензии Apache-2.0. README не содержит подробностей о данных обучения и показателях качества.

Immerwinter/gbert-large-privacy-policy-content-securityprivacy — немецкоязычная модель классификации текста на базе BERT, дообученная на deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к теме Security/Privacy в рамках конвейера анализа документов. Архитектура — BertForSequenceClassification, размер — 434,5 млн параметров, контекст — до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Модель принимает текст и выдаёт метку классификации. В карточке перечислены темы политики конфиденциальности, однако описание разметки не уточняет, как именно этот чекпойнт соотносится с отдельными темами. Лицензия — Apache-2.0.

HerBERT-large-cased — польскоязычная языковая модель на архитектуре BERT, разработанная исследовательской командой Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный Byte-Pair Encoding с размером словаря 50 тыс. токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в NLP-системах для польского языка. В репозитории заявлены веса PyTorch, TensorFlow и Flax; число параметров составляет около 453,9 млн, а длина контекста — 514 токенов. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

HRM-Text-1B — языковая модель Sapient Intelligence на архитектуре Hierarchical Reasoning Model (HRM), обученная с нуля на смеси общедоступных текстовых корпусов. В метаданных указано 553,6 млн параметров, контекст — 4096 токенов; модель использует плотную архитектуру и доступна в формате safetensors. HRM сочетает две рекуррентно работающие Transformer-стопки: высокоуровневую медленную и низкоуровневую быструю, что позволяет выполнять дополнительные шаги вычислений при фиксированном числе параметров. Модель предназначена как исходный чекпойнт для генерации текста и экспериментов с рассуждениями, математическими запросами, классификацией, извлечением информации, структурированными ответами и короткими вопросами и ответами. Она обучена на PrefixLM-цели с префиксными условиями, а не на диалогах и инструкциях. Для лучших результатов на прикладных NLP-задачах README рекомендует несколько примеров в контексте; для математических и открытых запросов — составное условие synth,cot. Чекпойнт ориентирован на английский язык. Это не готовый чат-ассистент: качество ответов неровное, особенно без примеров, и для ассистентских сценариев потребуется дополнительное дообучение и выравнивание. Обучение на коде не проводилось, поэтому возможности программирования ограничены; ответы также могут содержать ошибки, предвзятость или небезопасный контент. Лицензия — Apache-2.0.

HRNet-W18 Small v2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи на ImageNet-1k; в репозитории timm опубликованы веса в форматах PyTorch и safetensors под лицензией MIT. Модель содержит около 15,6 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость около 2,6 GMAC. Её можно использовать для определения класса изображения, извлечения карт признаков и получения визуальных эмбеддингов. Это модель общего назначения, обученная на ImageNet-1k. При применении к изображениям из других областей или с иным распределением классов качество может снижаться; README не приводит численные показатели точности.

IndoBERT Large Model (phase1, uncased) — предварительно обученная языковая модель на архитектуре BERT, созданная командой IndoBenchmark для индонезийского языка. Модель обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction; в README для этой версии указано 335,2 млн параметров, тогда как метаданные репозитория указывают 433,9 млн. Контекст составляет до 512 токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать как основу для прикладных NLP-систем на индонезийском языке. Она поддерживается библиотеками Transformers в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT. Это базовая предварительно обученная модель, а не готовый чат-бот или специализированный классификатор.

bhavyagiri/InLegal-Sbert — модель sentence-transformers на базе InLegalBert, адаптированная для индийской юридической области. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства и кластеризации юридических текстов. Обучение проводилось на корпусе судебных решений индийских судов. Модель использует архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Для работы можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch и опубликован под лицензией MIT. Язык корпуса и качество для иных юридических систем в доступных сведениях не определены.

Карточка модели AISE-TUDelft/java-usage-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/java-deprecation-classifier, поэтому описание составлено по ней. AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

Jazari-4B-SFT-TR — модель на 4 млрд параметров семейства Qwen3.5, разработанная автором репозитория mahsum и адаптированная для турецкого языка. Она прошла продолженное предобучение на турецких текстах и дообучение с учителем на 73 182 примерах из 13 категорий. Модель предназначена для диалогов, классификации, анализа системных журналов и формирования структурированных ответов; автор сообщает о применении в мониторинге Linux и поддержке интерфейса вызова инструментов. В тестах автора модель показала хорошую связность на турецком и стабильное создание JSON для задач классификации при структурированном запросе и temperature=0. Скорость и потребление памяти в карточке указаны как результаты конкретных конфигураций и не гарантируют такие же показатели в других средах. Известные ограничения включают чрезмерную уверенность, слабую точность на специализированных категориях без дополнительного обучения, ненадёжный перевод с турецкого на английский и более низкий результат по математике, чем у базовой модели. Лицензия — Apache-2.0.

Kimi-K3-W4A8-K512-GPTQ-Mixed-Cal72-Seq1024 — производная версия мультимодальной модели Kimi K3 от Moonshot AI, подготовленная проектом open-inference. В ней квантованы только маршрутизируемые экспертные блоки: используются знаковые INT4-значения с группировкой K512 и масштабами FP32; остальные исходные тензоры сохранены без изменений. Файлы представлены в формате safetensors и compressed-tensors. Артефакт рассчитан на извлечение признаков и, согласно каталожным метаданным, может использоваться для генерации текста. README указывает, что сборка предназначена для специального runtime W4A8 и не гарантирует совместимость с произвольными загрузчиками. Базовая модель — moonshotai/Kimi-K3; лицензия указана как other.

KoBART-base-v1 — корейская модель семейства BART, опубликованная gogamza. Это плотная модель с архитектурой BartModel, содержащая 79,7 млн параметров; она предназначена для извлечения признаков из текста и может использоваться как основа для построения прикладных NLP-систем. Для загрузки применяются Transformers и PreTrainedTokenizerFast. Модель принимает текст и выдаёт скрытые представления токенов; заявленный размер контекста составляет 1026 токенов. Поддерживаемый язык — корейский. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT.

KoBERT — корейская модель семейства BERT, опубликованная monologg. Она предназначена для извлечения признаков из текста и может служить основой для задач обработки корейского языка. Архитектура — плотная BertModel размером 119,4 млн параметров; максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch, Flax и safetensors. Для загрузки токенизатора через AutoTokenizer в Transformers требуется параметр trust_remote_code=True. Модель распространяется по лицензии Apache-2.0. Карточка содержит краткий пример импорта, но не приводит результаты оценки качества или подробностей обучения.

Seonghaa разработал модель классификации корейского текста по шести эмоциям: гневу, тревоге, грусти, спокойствию, смущению и радости. Это дообученная на основе klue/roberta-base модель RoBERTa с 137,8 млн параметров, предназначенная для определения эмоциональной окраски коротких текстовых сообщений. Максимальная длина контекста составляет 514 токенов. Модель можно применять для разметки сообщений, анализа эмоциональной тональности и группировки текстов по эмоциональным категориям. В README приведены результаты оценки: точность 0,9831 и macro F1 0,9798; эти показатели относятся к использованному автором набору данных и не гарантируют такого же качества на других текстах. Модель принимает текст и возвращает метку эмоции с оценкой уверенности. Лицензия — MIT.