I.11Классификация, ранжирование и сопоставление

llm-d-sc-complexity — англоязычная модель эмбеддингов предложений, разработанная для llm-d-sc, компонента маршрутизации запросов в llm-d. Модель дообучена на базе sentence-transformers/all-MiniLM-L6-v2 и создаёт 384-мерные векторы для оценки сложности запросов: от простых одношаговых инструкций до составных задач. Архитектура — BERT; в репозитории указано 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель не выдаёт готовую метку класса. Запрос сравнивается по косинусному сходству с набором текстовых опорных примеров (anchors), после чего ранжированные оценки можно использовать для выбора уровня обслуживания. Набор anchors можно менять или расширять без переобучения; выбор конечной точки и маршрутизация остаются на стороне вызывающей системы. В README сообщается об оценке на 80 отложенных запросах и о задержке на CPU, однако результаты получены в домашней лаборатории и независимо не воспроизводились. Модель обучена на синтетических данных, а проверка на человеческой разметке не проводилась. Наиболее неоднозначна граница между уровнями MEDIUM и COMPLEX; качество зависит от содержимого anchors. Поддерживается только английский язык. Лицензия — Apache-2.0.

Это модель для получения визуальных признаков стиля плотно обрезанного текста на изображениях. Она построена на дообученном backbone DINOv2 ViT-B/14 и выдаёт нормализованные эмбеддинги общей типографики и внешнего вида, а также отдельные эмбеддинги шрифта и оформления — заливки, обводки, тени и прозрачности. Дополнительно доступны локальные исследовательские токены, не проверенные для управления генерацией. Модель предназначена для поиска похожего оформления текста внутри одного языка и между китайским и английским языками. В контролируемом синтетическом тесте на ранее не встречавшихся шрифтах точность font R@1 составила от 61,08% до 87,88% в зависимости от направления и языка поиска; эти результаты не характеризуют точность на реальных фотографиях. Это публичный inference-артефакт в формате safetensors, распространяемый по лицензии Apache-2.0. Обычное OCR, другие письменности и использование токенов для генерации не заявлены как проверенные сценарии.

Карточка модели Jinstudio/Mage-ViT на Hugging Face совпадает с карточкой Mage-Fans/Mage-ViT, поэтому описание составлено по ней. Mage-ViT — визуальный энкодер, разработанный командой Mage-VL и обученный с нуля как часть мультимодальной системы Mage-VL. Это 24-слойный Vision Transformer с размером скрытого состояния 1024, 16 головами внимания, MLP с расширением 4× и отдельной головой attention pooling. Модель извлекает признаки из изображений и видео; для видеопоследовательностей поддерживает трёхмерное кодирование координат патчей и работу с разреженными последовательностями токенов, отбираемыми по важности участков в видеокодеке. README описывает обучение на примерно 100 млн неразмеченных изображений и видео с кластерно-дискриминационной целью. В карточке Hugging Face указано 402,7 млн параметров, лицензия Apache-2.0 и формат safetensors. Репозиторий содержит только предварительно обученный визуальный энкодер: он не прошёл совместное обучение с языковой моделью Mage-VL. Энкодер принимает пиксельные тензоры и выдаёт признаки для каждого патча и глобальное векторное представление. Отбор патчей по данным кодека выполняется во внешнем конвейере Mage-VL; README описывает поддержку HEVC/H.265 и DCVC-RT и сокращение числа токенов для видеоклипа до заданного бюджета. В метаданных указаны 402,7 млн параметров, тогда как README приводит оценку около 316 млн. Модель распространяется по лицензии Apache-2.0.

Это конвертированная в формат OpenVINO модель классификации изображений microsoft/swin-tiny-patch4-window7-224, подготовленная для ускоренного инференса. Её разработала HelenAI на основе модели Microsoft с архитектурой Swin Transformer; размер исходной модели — около 33 млн параметров. Модель принимает изображения и предсказывает для них классы. Она подходит для интеграции классификации изображений в приложения, использующие OpenVINO. В карточке указан английский язык; иных языковых характеристик и ограничений применения README не описывает. Лицензия в предоставленных данных не указана.

NABLA-VL — японская vision-language-модель компании NABLAS, созданная при финансовой поддержке GENIAC. Она дообучена на microsoft/phi-4 и визуальном энкодере SigLIP и предназначена для генерации текстовых ответов по изображениям, нескольким изображениям и видео. Модель подходит для визуальных вопросов и ответов, описания сцен и сопоставления сведений из нескольких визуальных материалов. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая JDocQA, JMMMU, MMMU и наборы VQA; тестирование проводилось с оценщиком gpt-4o-2024-11-20. Указаны японский и английский языки, а лицензия — Apache License 2.0. Размер модели и длина контекста в предоставленных данных не приведены.

kietnt0603/nrk-legal-large — модель эмбеддингов на базе XLM-RoBERTa-large, дообученная разработчиком на юридических запросах и документах на вьетнамском языке. Она предназначена для семантического поиска по юридическим корпусам и извлечения документов для RAG-систем. Модель кодирует текст в плотные векторы размерностью 1024; благодаря обучению с MatryoshkaLoss эмбеддинги можно сокращать до 768, 512, 256 или 128 измерений. Модель построена на intfloat/multilingual-e5-large, использует Sentence Transformers и поддерживает контекст до 514 токенов. В README приведена оценка на тестовом наборе юридического поиска VMTEB-Zalo: 640 запросов и 61 425 документов; автор также сравнивает результаты с базовой и другими моделями. Эти показатели относятся к описанному бенчмарку и не гарантируют такую же точность на других корпусах. Модель принимает текст и выдаёт эмбеддинги для семантического сопоставления. Лицензия — Apache-2.0.

OpenAI o4 Mini High — вариант модели рассуждений OpenAI o4-mini с параметром reasoning_effort, установленным на high. Это компактная модель семейства o-series, рассчитанная на быстрые и экономичные ответы с усиленным пошаговым рассуждением. В метаданных каталога для неё указана задача image-text-to-text. Модель предназначена для задач, где полезны рассуждение и работа с визуальным вводом и текстом. README сообщает, что это тот же вариант, что o4-mini, с повышенным уровнем reasoning effort; сведения об архитектуре, размере, контекстном окне, языках и условиях лицензии в предоставленных источниках отсутствуют.

OppaiOracle — модель Grio43 для многометочной классификации изображений в стиле аниме: она предсказывает теги из словаря общих категорий, включающего 19 294 класса. Модель построена на архитектуре Vision Transformer (ViT) и обучена с нуля на корпусе примерно из 5,9 млн изображений; автор сообщает о целевой очистке и дополнении части меток обучающих данных. Доступны варианты с разрешением 320×320 и 448×448 пикселей; второй вариант получен дообучением первого. Репозиторий содержит веса Safetensors и экспорт ONNX. Модель предназначена для автоматической разметки аниме-иллюстраций и изображений в стиле аниме, например для поиска и организации коллекций. По оценке автора, версия 448×448 умеренно улучшает mAP относительно версии 320×320; разрешение входа рекомендуется подбирать под конкретный вариант. В данных обучения остаётся шум на уровне категорий, поэтому предсказания следует проверять человеком. Лицензия — Apache-2.0.

PhysBERT — специализированная модель текстовых эмбеддингов для физической литературы, разработанная Thorsten Hellert, João Montenegro и Andrea Pollastro при финансировании Министерства энергетики США и Lawrence Berkeley National Laboratory. Это модель на архитектуре BERT, дообученная методом SimCSE на корпусе из 1,2 млн публикаций arXiv по физике. Модель предназначена для поиска научных публикаций, классификации цитирований, кластеризации и категоризации физической литературы. Она рассчитана на английский язык и поддерживает обработку последовательностей длиной до 512 токенов. По данным авторов, PhysBERT превосходит универсальные модели в задачах NLP, связанных с физикой. Модель распространяется в формате safetensors и доступна через Transformers. Условия лицензии в предоставленных данных не описаны.

Модель premsa/political-bias-prediction-allsides-mDeBERTa — классификатор текстов для оценки политической предвзятости, обученный разработчиком Premsa на материалах AllSides. Это плотная модель DeBERTa v2 с 306 млн параметров, предназначенная для классификации последовательностей. Максимальная длина входа составляет 512 токенов. В README указаны пять эпох обучения, dropout 0,05 и выбор чекпойнта по минимальной потере на валидационной выборке. Для выбранной модели сообщается F1 0,9184 на тестовой выборке. Пример в карточке дан на немецком языке, но полный перечень поддерживаемых языков не приведён. Модель распространяется по лицензии Apache-2.0.

remzicam/privacy_intent — модель классификации намерений в текстах политик конфиденциальности, созданная разработчиком remzicam путём дообучения mukund/privbert на наборе данных PolicyIE. Она относит фрагменты политики к пяти категориям: сбор и использование данных, передача и раскрытие данных, хранение и сроки удержания, защита данных и прочие практики конфиденциальности. Модель построена на RoBERTa и содержит 151,8 млн параметров; принимает текст и выдаёт метку класса. Для неё заявлен F1-score 88%; аугментация обратным переводом улучшила результат на несбалансированных примерах. Модель предназначена для разметки и анализа положений политик конфиденциальности на английском языке, например, для поиска упоминаний о передаче данных третьим сторонам или мерах защиты. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с репозиторием модели. Контекст ограничен 514 токенами; заявленные результаты относятся к пяти категориям PolicyIE и не гарантируют качество на других типах документов или языках.

Iceland/quote-model-BERTm-v1 — дообученная модель на основе bert-base-multilingual-cased, разработанная для классификации токенов. Модель использует архитектуру BERT и содержит 205,1 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке приведены метрики на оценочной выборке: F1 0,8676, точность 0,9314, precision 0,8161 и recall 0,9262. Назначение меток и обучающий датасет не описаны, поэтому практическую задачу разметки можно определить только на общем уровне. Модель доступна под лицензией Apache-2.0.

Qwen3.5-0.8B Pure Text ZH-EN — производная текстовая модель, созданная автором репозитория на основе Qwen/Qwen3.5-0.8B. Из неё удалены компоненты для обработки изображений, аудио и видео, а также веса MTP; архитектура преобразована в Qwen3_5ForCausalLM. Словарь сокращён с 248 320 до 182 684 токенов, сохранённые веса не дообучались. Модель содержит около 685 млн параметров и распространяется в формате BF16 safetensors; заявленный контекст — до 262 144 токенов. Модель рассчитана на генерацию текста и диалоги преимущественно на китайском и английском языках. В README приведён пример классификации поисковых запросов китайской электронной торговли: точность составила 81%, а совпадение ответов с исходной моделью — 97 из 100 случаев. Для уже токенизированных наборов данных требуется перенумерация токенов с помощью old2new.json. Другие языки декодируются, но могут требовать больше токенов; перед производственным использованием автор рекомендует короткий этап дополнительного предобучения или SFT. Поддержка предусмотрена в Transformers с реализацией Qwen3_5ForCausalLM; лицензия — Apache-2.0.

Readabert-en — модель классификации текста на основе BERT-base, дообученная на англоязычной части корпуса ReadMe++ для оценки читаемости предложений по шестибалльной шкале CEFR. Она предназначена для анализа сложности англоязычных текстов, например для подбора учебных материалов под уровень читателя или предварительной сортировки текстов по сложности. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт категорию читаемости. Доступна в формате safetensors; лицензия Apache-2.0.

Readability ES Paragraphs for three classes — модель классификации испанских текстов, разработанная SomosNLP для оценки их сложности. Это дообученная модель архитектуры RoBERTa на основе BERTIN с 151,8 млн параметров; она анализирует абзацы и относит их к одному из трёх уровней: базовому, среднему или продвинутому. Модель принимает текст на испанском языке, поддерживает контекст до 514 токенов и предназначена для оценки читабельности и подбора текстов по уровню сложности. На валидационной выборке авторы сообщают макроусреднённую F1-меру 0,7881. Модель опубликована под лицензией CC BY 4.0. Оценка качества ограничена нехваткой данных и отсутствием надёжной тестовой выборки; часть использованных данных закрыта, что затрудняет проверку смещений и ошибок. Испанский вариант из Испании может быть представлен лучше, чем региональные варианты; некоторые примеры из Newsela могут звучать неестественно из-за перевода исходных материалов.

Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.

ResNetAA101d — свёрточная модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом для библиотеки timm. Это вариант ResNet-D с антиалиасингом Rectangle-2: в архитектуре используются активации ReLU, трёхслойный ствол из свёрток 3×3 с пулингом и короткие соединения с усредняющим пулингом 2×2 и свёрткой 1×1. Модель содержит 44,6 млн параметров и требует 9,1 GMACs. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке указаны размеры изображений 224×224 при обучении и 288×288 при оценке. Модель принимает изображения и выдаёт классы изображений или визуальные признаки в зависимости от выбранного режима использования. Опубликованные веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не приводит отдельных ограничений, кроме специализации на классификации изображений.

Sam Lowe разработал эту модель на базе roberta-base, дообучив её на наборе GoEmotions для многометочной классификации эмоций в тексте. Она выдаёт вероятности для 28 меток; для каждой метки можно отдельно подобрать порог срабатывания. Модель подходит для определения нескольких эмоций в одном сообщении, например в комментариях и коротких текстах на английском языке. Она использует архитектуру RoBERTa с 151,8 млн параметров и контекстом до 514 токенов. Модель принимает текст и выдаёт оценки классов эмоций. Качество различается по меткам: редкие категории, например облегчение, распознаются хуже, а неоднозначность и ошибки разметки в GoEmotions ограничивают результаты. В README приведены оценки на тестовой выборке и отмечено, что индивидуальная настройка порогов может улучшить баланс точности и полноты. Лицензия — MIT.

textattack/roberta-base-MNLI — модель классификации текста, опубликованная организацией TextAttack на Hugging Face. Это RoBERTa с плотной архитектурой и примерно 151,8 млн параметров, дообученная для распознавания текстовых следствий (natural language inference, NLI). Она принимает пару предложений: посылку и гипотезу, затем классифицирует их отношение как следование, нейтральное отношение или противоречие. Модель подходит для проверки, подтверждает ли исходный текст заданное утверждение, и для экспериментов с классификацией пар предложений. Модель рассчитана на англоязычные данные. Максимальная длина контекста составляет 514 токенов. Доступны веса PyTorch и Flax; карточка Hugging Face не приводит лицензию и отдельные сведения об ограничениях качества.

JeremiahZ/roberta-base-rte — модель RoBERTa для классификации текстовых пар, созданная дообучением roberta-base на наборе GLUE RTE. Она предназначена для определения, следует ли гипотеза из данного текста, и подходит для распознавания текстового следования и проверки отношений между короткими фрагментами. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. Для оценки на тестовом наборе указаны точность 0,7978 и loss 0,5446. Модель распространяется по лицензии MIT.

Ruri v3 PT 130M — предварительно обученная модель эмбеддингов японского текста от команды cl-nagoya на базе ModernBERT-Ja. В отличие от дообученной версии Ruri v3 130M, этот вариант не проходил fine-tuning для задач сходства предложений. Модель содержит 132,1 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8 192 токенов. Модель предназначена для получения векторных представлений японского текста, которые можно использовать как основу для поиска и сравнения предложений после подходящей настройки под задачу. В README указана лицензия Apache-2.0. Метаданные классифицируют модель как sentence-similarity, однако README отдельно предупреждает, что этот чекпойнт не дообучен; поэтому его качество для готового сравнения сходства может отличаться от специализированной версии.

scandi-fine-web-cleaner — демонстрационный классификатор для выявления проблемного текста в веб-данных на датском и шведском языках. Модель разработана davanstrien и получена дообучением FacebookAI/xlm-roberta-base на наборе data-is-better-together/fineweb-c. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров. Модель предназначена для предварительной фильтрации веб-текста, чтобы ускорить разметку и очистку корпусов. На тестовом наборе указаны precision 95,2%, recall 70,2%, F1 0,8081 и AUC-ROC 0,9648. Модель лицензирована по MIT. Она проверялась только на датском и шведском контенте; умеренный recall означает, что часть проблемных текстов может остаться невыявленной.

Tulio Chilean Spanish BERT — модель BERT для чилийского варианта испанского языка, разработанная Хорхе Ортисом Фуэнтесом. Это дообученная версия dccuchile/bert-base-spanish-wwm-cased; в карточке указаны архитектура BertForMaskedLM, 137,1 млн параметров и контекст до 512 токенов. Модель обучалась на чилийских новостях, веб-текстах, жалобах, твитах и книгах на испанском языке. Она предназначена для предсказания замаскированных слов и может служить основой для задач классификации и разметки текста на чилийском испанском; автор сообщает о сравнительных результатах на таких задачах. Доступна в формате safetensors. Лицензия указана как CC BY 4.0, однако автор предупреждает, что совместимость лицензий всех обучающих данных, особенно для коммерческого использования, не подтверждена. Данные не проходили цензуру, поэтому модель может воспроизводить нежелательные идеологические представления.

VideoScore-v1.1 — модель TIGER-Lab для автоматической оценки качества видео и соответствия видео текстовому описанию. Это регрессионная мультимодальная модель на базе Mantis-8B-Idefics2, дообученная на наборе VideoFeedback с человеческими оценками по нескольким аспектам. В метаданных указана архитектура Idefics2ForSequenceClassification и формат весов safetensors. Модель принимает видео и текст и выдаёт оценки качества, пригодные для сравнения с человеческими оценками. В версии 1.1 улучшена оценка соответствия текста видео и поддержан инференс по 48 кадрам. В README сообщается о корреляции Спирмена 74,0 на тестовой части VideoFeedback и результатах на GenAI-Bench и VBench; эти показатели относятся к указанным бенчмаркам. Модель предназначена для оценки и ранжирования результатов генерации видео, но не создаёт видео. Она опубликована под лицензией MIT. Результаты оценки могут не совпадать с человеческими предпочтениями за пределами обучающих данных и проверенных бенчмарков.

Кросс-энкодер на базе BAAI/bge-reranker-base, дообученный автором kiencnt2205 для повторного ранжирования юридических текстов на вьетнамском языке. Модель принимает пару «запрос — документ» и выдаёт оценку релевантности, которую можно использовать для сортировки результатов поиска или семантического поиска. Она построена на XLM-RoBERTa с классификационной головой, содержит 305,2 млн параметров и имеет контекст до 514 токенов; для работы в README указана библиотека sentence-transformers. В карточке приведены результаты оценки на наборе legal-reranker-rerank: NDCG@10 0,9362, MRR@10 0,9343 и MAP 0,8992. Датасет для обучения содержит 11 328 примеров. Модель специализирована на юридическом домене и вьетнамском языке; значения метрик относятся к указанному набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

vietnamese-sbert-base-law — модель Sentence Transformer, дообученная разработчиками hivetechVN на базе keepitreal/vietnamese-sbert для работы с вьетнамскими текстами правовой тематики. Архитектура RoBERTa преобразует предложения и абзацы в плотные векторы размерности 768; для сходства используется косинусная мера. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения правовых текстов, поиска перефразировок, кластеризации и классификации. В README приведена оценка на наборе для информационного поиска: точность по cosine_accuracy@1 составляет 0,3871, по @3 — 0,4839, по @5 — 0,5548. Обучение описано на 1 391 примере с использованием MultipleNegativesRankingLoss. Модель поддерживает вьетнамский язык и распространяется по лицензии Apache-2.0. Это эмбеддинговая модель: она возвращает векторы, а не готовые ответы или юридические заключения; качество зависит от соответствия запросов и корпуса обучающим данным.

vit_base_patch16_lingbot.robbyant — визуальный энкодер LingBot-Vision на архитектуре ViT-Base/16, опубликованный пользователем belfner. Модель извлекает признаки из изображений и формирует представления для классификации, получения карт признаков и построения эмбеддингов. Она реализована для timm и сохранена в форматах PyTorch и safetensors; число параметров — 85,7 млн, заявленный размер изображения — 512 × 512. Энкодер дистиллирован авторами статьи из ViT-Giant/16, предварительно обученного с маскированными границами, а веса преобразованы для реализации Eva/DINOv3 в timm. Последовательность токенов содержит CLS-токен, четыре регистрационных токена и патч-токены. По умолчанию глобальное усреднение применяется к патч-токенам; для получения исходного представления CLS требуется режим global_pool='token'. Карточка сообщает о полном совпадении выходов fp32 с эталонной реализацией на тестовых размерах 512 × 512 и 384 × 512. Модель подходит для извлечения визуальных признаков и эмбеддингов как компонента компьютерного зрения. Лицензия — Apache 2.0. Архитектурная запись LingBot в timm на момент карточки отмечена как находящаяся в разработке, поэтому для работы нужны соответствующие точки входа timm.

VN Law Embedding — модель текстовых эмбеддингов для поиска документов по юридическим вопросам на вьетнамском языке. Она разработана для сценариев Retrieval-Augmented Generation (RAG) и обучена на наборе вьетнамских юридических вопросов и соответствующих документов. Модель основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов для более быстрого сравнения запросов и документов. Модель предназначена для извлечения релевантных правовых материалов; её оценивали с помощью средства оценки информационного поиска. Репозиторий распространяется под лицензией Apache-2.0.

VTP-Large-f16d64 — крупный визуальный токенизатор, обученный командой MiniMax совместно с исследователями Huazhong University of Science and Technology. Модель реализует подход Visual Tokenizer Pre-training (VTP): совместно оптимизирует контрастивное обучение изображений и текста, самообучение и реконструкцию, чтобы формировать латентные представления изображений с семантической информацией. Модель предназначена для извлечения признаков изображений, классификации без примеров и с линейным пробингом, реконструкции изображений и подготовки латентных представлений для генеративных моделей, включая DiT. В отчёте авторы приводят точность zero-shot-классификации 78,2, rFID 0,36 и ускорение сходимости генерации в 3 раза по сравнению с рассмотренными методами дистилляции. Репозиторий содержит веса в формате safetensors; для использования предлагается библиотека Transformers. Авторы отмечают, что работа ещё продолжается. Для модели указана лицензия other, поэтому условия использования следует проверять в материалах проекта перед внедрением. README описывает визуальные сценарии, но не приводит сведения о поддержке текстового входа в самой модели.

xlmr-base-ro-re — модель-классификатор отношений между сущностями, разработанная Dragoș Mitruț Vasile, Elena-Simona Apostol, Stefan-Adrian Toma, Adrian Paschke и Ciprian-Octavian Truică. Это дообученный энкодер xlm-roberta-base с классификационной головой для задачи Relation Classification на румынском переводе датасета SemEval-2010 Task 8. Модель принимает предложение с двумя явно размеченными сущностями и предсказывает одно из 19 направленных отношений, которые сводятся к 10 типам отношений SemEval. Модель поддерживает румынский и английский языки. В тесте SemEval-2010 Task 8 указаны macro F1 0,822 для румынского и 0,853 для английского. Обучающие данные получены машинным переводом и прошли автоматическую постпроверку, поэтому их качество не эквивалентно ручной экспертной разметке. Лицензия модели — MIT.