I.11Классификация, ранжирование и сопоставление

Модель ml4pubmed/bluebert-pubmed-uncased-L-12-H-768-A-12_pub_section — дообученный классификатор текста на основе BlueBERT от BioNLP. Он предназначен для определения раздела научного документа по текстовому фрагменту: BACKGROUND, CONCLUSIONS, METHODS, OBJECTIVE или RESULTS. Модель использует архитектуру BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на англоязычные тексты из биомедицинской области. В карточке приведены метрики на тестовой выборке: точность 0,831 и F1 0,828. Модель подходит для автоматической разметки разделов аннотаций и научных текстов PubMed. Для текста существенно длиннее контекстного окна может понадобиться разбиение на фрагменты; качество на других языках и вне биомедицинской тематики не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

CanViT-B — модель активного компьютерного зрения семейства Canvas Vision Transformer, разработанная авторами CanViT и дообученная для классификации изображений ImageNet-1k. Она последовательно рассматривает сцену через четыре кадрирования размером 128 пикселей и сохраняет информацию на общей canvas-памяти. Обучение выполнено в два этапа: линейное зондирование с последующим сквозным дообучением; в README заявлена точность top-1 84,5% на валидационной выборке ImageNet-1k для конфигурации C2F с T=21 в одном запуске. Модель предназначена для классификации изображений и сценариев, где полезен последовательный просмотр сцены. Базовая модель CanViT-B предварительно обучена на ImageNet-21k; классификационный CLS-выход объединён с DINOv3-пробой. Для работы указана библиотека canvit-pytorch. Репозиторий использует формат safetensors, лицензия — MIT. Показатель качества приведён для конкретной конфигурации и одного запуска; README не описывает переносимость на другие наборы данных.

hfl/chinese-macbert-base — китайская предварительно обученная языковая модель семейства BERT, разработанная HFL и описанная в работе «Revisiting Pre-trained Models for Chinese Natural Language Processing». Это модель для заполнения пропусков: она предсказывает замаскированные фрагменты текста и может служить основой для дальнейшей адаптации к задачам обработки китайского языка. Модель содержит 129,5 млн параметров, использует архитектуру BERT с головой masked language modeling и поддерживает контекст до 512 токенов. При предобучении MacBERT заменяет маскируемые слова похожими словами, чтобы уменьшить расхождение между предобучением и дообучением; также применяются whole-word masking, маскирование n-грамм и предсказание порядка предложений. Доступны варианты PyTorch, TensorFlow и Flax. Модель предназначена для китайского текста. Её можно применять для предсказания пропущенных слов и как основу для задач понимания китайского языка после дообучения. Это базовая предобученная модель, а не специализированная прикладная система; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

ChronoBERT — серия англоязычных двунаправленных трансформерных энкодеров ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Эта версия содержит 149 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Модель обучена на датированных текстах с хронологическим ограничением, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд в анализах, привязанных ко времени. Модель предназначена для предсказания пропущенных токенов и извлечения текстовых представлений. Её можно применять для анализа исторических текстов и финансовых новостей, а также как основу для задач понимания языка. В карточке серии сообщается о результатах на GLUE выше стандартного BERT; финансовая оценка описана для варианта realtime и не является гарантией качества этой версии. Модель распространяется под лицензией MIT. Она является энкодером для понимания текста, а не универсальной генеративной моделью; заявленная языковая поддержка — английский.

fefofico/crisis_trained_allnat — модель классификации текста на базе SetFit, созданная дообучением codefuse-ai/F2LLM-v2-80M. Она сочетает дообученный Sentence Transformer с классификатором LogisticRegression и относит текст к одному из двух классов: positive или negative. Модель обучалась для выявления текстов, связанных с кризисами и международными угрозами: среди положительных примеров упоминаются кризисы, киберугрозы, территориальные споры, эпидемии и риск ядерной эскалации. Модель предназначена для классификации англоязычных текстовых фрагментов по тематике кризисов и угроз; заявленная максимальная длина последовательности — 40960 токенов. Для оценки приведены значения F1 macro 0,7436 и F1 binary 0,6316. Эти результаты указывают, что качество классификации может быть ограничено, особенно для отдельных классов или иных данных. Сведения о лицензии в доступных источниках отсутствуют.

pzryathzsdhc/cti-ner-securebert — англоязычная модель для распознавания именованных сущностей в текстах киберразведки. Это дообученная на CISA advisories модель SecureBERT с архитектурой RoBERTa и классификатором BIO для разметки токенов. Она извлекает 16 типов сущностей, включая идентификаторы и названия техник атак, CVE и CWE, хеши и пути файлов, IP-адреса, семейства вредоносных программ, группы угроз, инструменты, тактики и метки TLP. На отложенной выборке из восьми рекомендаций CISA модель показала micro F1 0,71 при строгом совпадении границ сущности и метки и 0,76 при более мягкой оценке. Лучше распознаются идентификаторы CWE и техники атак; распознавание групп угроз и инструментов даётся труднее. Контекст модели — 514 токенов, поэтому для длинных документов следует применять разбиение на окна: обычный единичный проход может обрезать текст. Модель выпущена под лицензией MIT.

mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis — модель классификации тональности финансовых новостей, созданная дообучением distilroberta-base на наборе Financial PhraseBank. Она относит предложения к категориям тональности и предназначена для анализа новостных фрагментов о финансах и рынке акций. В основе лежит DistilRoBERTa — шестислойная архитектура RoBERTa с размерностью 768 и 12 головами внимания. В метаданных указано 95,2 млн параметров и контекст до 514 токенов; модель доступна в форматах PyTorch и safetensors. README сообщает об accuracy 0,9823 на оценочной выборке и отмечает чувствительность к регистру. Обучающие данные — 4840 англоязычных предложений из финансовых новостей, размеченных по полярности. Результаты на этом наборе не гарантируют такое же качество на других источниках, языках или типах финансового текста. Лицензия — Apache-2.0.

FacTora Fake News Detector — модель на базе DistilBERT, дообученная для бинарной классификации текстов на категории FAKE и REAL. Она обучена на наборе LIAR: метки false, pants-fire и barely-true объединены в FAKE, а half-true, mostly-true и true — в REAL. В README указано, что модель разработана для платформы FacTora; базовая модель — distilbert-base-uncased. Модель предназначена для оценки утверждений и новостных текстов на предмет их правдивости, в том числе для анализа новостей и поддержки проверки фактов. Она принимает текст и выдаёт одну из двух меток классификации. Архитектура — DistilBERT для классификации последовательностей; максимальный контекст составляет 512 токенов. Поддерживается английский язык. Модель распространяется под лицензией MIT. Её бинарные метки упрощают исходную шестиклассовую шкалу LIAR, поэтому результат не передаёт градации достоверности и сам по себе не подтверждает факты: выводы следует рассматривать как классификационную оценку, а не как окончательную проверку источников.

Карточка модели WebUser2/financial-roberta-large-sentiment на Hugging Face совпадает с карточкой soleimanian/financial-roberta-large-sentiment, поэтому описание составлено по ней. Financial-RoBERTa — модель для анализа тональности финансовых текстов, разработанная Mohammad Soleimanian. Она построена на RoBERTa Large, дополнительно обученной и дообученной на корпусе финансовой отчётности и новостей. Модель классифицирует текст по трём меткам: положительная, отрицательная или нейтральная, и выдаёт оценки softmax. Модель предназначена для анализа финансовой отчётности, объявлений о доходах, стенограмм звонков с инвесторами, CSR-отчётов, ESG-материалов и финансовых новостей. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, длина контекста — 514 токенов. В карточке указан английский язык. Лицензия — Apache-2.0.

Khayyam — модель для многометочной классификации эмоций в персидском тексте, разработанная Ayda Khoshkhan. Она дообучена на ParsBERT v3 (HooshvareLab/bert-fa-zwnj-base) на персидском переводе датасета GoEmotions и относит текст к любому сочетанию из 28 категорий, включая радость, гнев, грусть, благодарность и нейтральную тональность. Модель построена на архитектуре BERT и содержит 145,5 млн параметров; максимальная длина контекста — 512 токенов. Она предназначена для анализа коротких персидских текстов, в частности сообщений в стиле Reddit. На тестовой выборке GoEmotions Persian показала macro F1 0,4124 и micro F1 0,5563. Результаты могут снижаться для редких эмоций, а автоматический перевод обучающих данных мог внести ошибки в метки. Качество на формальном персидском и диалектах может отличаться. Модель распространяется по лицензии Apache-2.0.

Latxa 7B v1.2 — языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Это плотная причинная модель семейства LLaMA на 6,6 млрд параметров, основанная на meta-llama/Llama-2-7b и дополнительно предобученная на баскском корпусе Latxa Corpus v1.1. Модель принимает текст и генерирует текст; контекст составляет 4096 токенов. Модель предназначена прежде всего для работы с баскским языком: генерации продолжений, выполнения задач по тексту через подсказки и дальнейшей адаптации под конкретные сценарии. В корпус также включались английские данные, однако для других языков качество не гарантируется. Модель не проходила инструкционную настройку, поэтому использование в качестве чат-ассистента не тестировалось и не рекомендуется. В опубликованных оценках она показала сильные результаты для баскского языка, но уступала в понимании прочитанного и задачах, требующих обширных знаний. Лицензия — Llama 2 License, допускающая коммерческое и исследовательское использование.

RLHFlow/Llama3.1-8B-ORM-Deepseek-Data — модель оценки ответов, разработанная проектом RLHFlow. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на данных RLHFlow/Deepseek-ORM-Data в течение одной эпохи. В README модель названа process-supervised reward model (PRM), хотя приведённые результаты описывают применение ORM для ранжирования кандидатов. Модель предназначена для оценки и отбора сгенерированных решений, в частности при масштабировании выборки ответов для математических задач GSM8K и MATH. Метаданные указывают на поддержку чата и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Она может помогать выбирать более качественные ответы из нескольких сгенерированных вариантов; в README приведены сравнительные результаты для Mistral и Deepseek, но они не гарантируют аналогичного качества в других сценариях. Условия лицензирования в доступных данных не указаны.

LUSR — англоязычная модель для получения стилевых представлений текста, созданная командой авторов работы «Unsupervised Style Representation Learning for AI-Text Detection via Paraphrase Inversion». Это дообученная RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель обучалась без меток авторства. Модель предназначена прежде всего для извлечения признаков стиля и обнаружения машинно-сгенерированного текста, а также может применяться для проверки авторства. В README сообщается о высоких результатах на бенчмарке стилевых эмбеддингов STEB и о переносе на задачи проверки авторства. Лицензия — MIT.

MetaHateBERT — модель BERT, разработанная irlab-udc и дообученная на наборе данных irlab-udc/metahate для бинарной классификации текста: «hate» и «no hate». Она предназначена для обнаружения языка вражды в комментариях социальных сетей, на форумах и в других текстовых источниках, а также для автоматической модерации и первичной фильтрации потенциально вредного контента. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и обрабатывает последовательности длиной до 512 токенов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель может помогать отмечать сообщения для проверки модераторами, но классификация не безошибочна: возможны ложноположительные и ложноотрицательные результаты, а также смещения, унаследованные от обучающих данных. Качество может меняться в зависимости от предметной области и источника текста.

mohawwad93 представил модель для классификации текста по наличию расистской предвзятости, языка ненависти и оскорбительных высказываний, направленных против людей или групп. Она размечает текст как NEUTRAL — нейтральный или безопасный — либо FLAGGED — содержащий потенциально проблемный язык. В README указано, что модель дообучена на объединённом наборе бенчмарков по языку ненависти и расовой предвзятости; метаданные описывают архитектуру как ModernBERT для классификации последовательностей, объёмом 149 млн параметров и с контекстом до 8192 токенов. Модель подходит для первичной модерации текстов и выявления потенциально оскорбительных или предвзятых формулировок. Карточка рекомендует запуск через Transformers pipeline с задачей text-classification. Указана лицензия MIT. Метаданные и README расходятся в базовой модели: README называет roberta-base, тогда как архитектура в метаданных — ModernBERT; поэтому базовая модель не устанавливается однозначно.

Den4ikAI/nonsense_gibberish_detector — русскоязычная модель классификации текста от Den4ikAI, построенная на архитектуре BERT и обученная распознавать три категории: нормальный текст, текст с ошибками в склонениях или несвязным набором слов, а также бессмысленный набор символов или слов. Её можно применять для первичной проверки качества пользовательского текста и выявления бессвязных или искажённых сообщений. Модель содержит 140,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В карточке указан датасет Den4ikAI/gibberish_dataset. Модель распространяется по лицензии Apache-2.0. Оценки точности и подробные сведения о том, как она обобщает за пределами обучающих данных, в предоставленной карточке не описаны.

One-for-all Toxicity v3 — модель классификации текста, разработанная AIstrova Technologies Inc. Это дообученная BertForSequenceClassification на базе bert-base-multilingual-cased с 205,1 млн параметров. Она предназначена для выявления токсичности в тексте и модерации пользовательских сообщений. Автор сообщает, что добавил вручную размеченные примеры к обучающим данным Toxi Text 3M, поскольку обучение только на этом наборе хуже классифицировало короткие тексты. Модель использует PyTorch и принимает текст длиной до 512 токенов; в карточке перечислены языковые теги для многих языков, включая русский и английский. Распространяется по лицензии CC BY 4.0 с требованием указывать авторство AIstrova Technologies Inc.

Это дообученная модель семейства Qwen3.5 с 9 млрд параметров, созданная автором voidful на базе Qwen/Qwen3.5-9B и набора данных voidful/gemini-3.1-opus-4.6-reasoning-merged. По карточке Hugging Face это мультимодальная модель с поддержкой изображений; основной акцент README — рассуждения и выбор ответов в тестах с несколькими вариантами, а метаданные задают задачу image-text-to-text. Модель предназначена для вопросов по изображениям и тексту, а также для zero-shot задач на понимание прочитанного и научные вопросы с выбором ответа. В описанных автором сравнениях она показала лучший совокупный результат среди трёх моделей и улучшенные результаты на ARC-Challenge, ARC-Easy и BoolQ. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты ограничены небольшим набором zero-shot-бенчмарков: модель не лидирует на каждой задаче, а различия на некоторых тестах могут укладываться в стандартную ошибку. README указывает, что ещё нужны оценки следования инструкциям, длинного контекста, программирования, многоязычности и открытой генерации; сведений о длине контекста и поддерживаемых языках в предоставленных данных нет.

RankVicuna 7B v1 noda — авторегрессионная языковая модель на архитектуре Transformer, разработанная Castorini на основе Llama 2 и дообученная на пользовательских диалогах ShareGPT без аугментации данных. Модель содержит около 6,6 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. Модель предназначена для диалоговых ответов и исследований на пересечении больших языковых моделей и информационного поиска. В README указана оценка на DL19 и DL20; модель адресована исследователям и энтузиастам NLP и поиска. Использование регулируется Llama 2 Community License Agreement.

JonatanGk/roberta-base-bne-finetuned-hate-speech-offensive-spanish — испаноязычная модель классификации текста на базе RoBERTa, дообученная на BSC-TeMU/roberta-base-bne. По названию репозитория она предназначена для выявления оскорбительной речи и языка ненависти в испанских текстах. В метаданных указана архитектура RobertaForSequenceClassification, около 151,8 млн параметров и контекст до 514 токенов. Модель подходит для автоматической модерации испаноязычных сообщений и предварительной разметки текстов для анализа токсичности. В README приведены результаты оценки: accuracy 0,9012 и loss 0,2869; набор данных и подробности разметки не описаны. Модель распространяется по лицензии Apache-2.0.

robert-large-ro-re — румынская монолингвальная модель-классификатор для извлечения отношений между сущностями. Её разработали Dragoș Mitruț Vasile, Elena-Simona Apostol, Stefan-Adrian Toma, Adrian Paschke и Ciprian-Octavian Truică; модель дообучена на readerbench/RoBERT-large, архитектура — BERT-large с классификационной головой. В метаданных указаны 441,4 млн параметров и контекст до 512 токенов. Модель принимает предложение с двумя выделенными сущностями и предсказывает одну из 19 направленных меток отношений, которые соответствуют 10 укрупнённым классам SemEval-2010 Task 8. На тестовом наборе задачи для румынского языка указана macro F1 0,844. Обучение проводилось на автоматически переведённом наборе данных с автоматической постпроверкой, а не на эталонной разметке, проверенной людьми; поэтому качество перевода может влиять на результаты. Лицензия — MIT.

ro-political-leaning-v2 — модель, разработанная Manuel Raileanu и дообученная на базе румынской BERT dumitrescustefan/bert-base-romanian-cased-v1. Она оценивает политические тексты на румынском языке по шкале политических взглядов от −1 до +1 и возвращает одно регрессионное значение, соответствующее середине предсказанного класса. Модель различает семь классов — от far_left до far_right, включая отдельный класс far_left. Модель предназначена для анализа политических высказываний и комментариев, в частности текстов о выборах в Румынии. Это BERT с архитектурой классификации последовательностей и регрессионной выходной головой; размер — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Для оценки использовалась тестовая выборка: MAE 0,181, точность точного класса 0,610, точность с учётом соседнего класса 0,884. Обучающие метки частично сформированы моделью gemma2:9b, а неоднозначные примеры исключены. Лицензия — Apache-2.0.

rubert-tiny2-toxic-detector — компактная модель классификации текста, разработанная KvaytG и дообученная на cointegrated/rubert-tiny2 для выявления токсичных комментариев и сообщений на русском языке. Модель основана на архитектуре BERT, содержит 29 млн параметров и принимает текст длиной до 2048 токенов. Модель предназначена для автоматической модерации русскоязычных обсуждений, сообщений и пользовательских комментариев. README описывает настройку порога классификации: оптимальное значение 0,70 выбрано на валидационной выборке. На независимой тестовой выборке из 102 308 примеров F1 для класса токсичных сообщений составил 0,9535; выборка содержит значительно меньше токсичных, чем обычных примеров, поэтому результаты могут зависеть от распределения данных и выбранного порога. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

Saraiki RoBERTa Base (Small Finetuned) — языковой энкодер на архитектуре RoBERTa, дообученный Мухаммадом Фаржадом Али Разой для языка сараики (skr). Модель содержит 192,6 млн параметров, использует формат PyTorch и принимает текст; контекст — до 514 токенов. Её основная задача — предсказывать скрытые токены в предложении на сараики (fill-mask) на основе обучения с маскированным языковым моделированием. Модель рассчитана на заполнение пропусков в тексте и может служить основой для последующей настройки классификации тональности, распознавания именованных сущностей и определения намерений в текстах на сараики. Лицензия — MIT. Качество зависит от охвата и написания текстов в обучающем наборе; для наилучших результатов рекомендуется подавать текст стандартным письмом сараики на персо-арабской основе. Небольшой объём данных может приводить к переобучению при последующей настройке. Как энкодер, модель не предназначена для связной генерации длинных текстов или ответов в чате и не выполняет перевод без дополнительного дообучения.

hongccccccc/scibert-citation-background-classifier — англоязычный классификатор научных цитат, разработанный на основе SciBERT и дообученный для определения роли цитирования в контексте статьи. Модель относит контекст к одному из двух классов: BACKGROUND, когда цитата даёт фон или контекст, и NOT_BACKGROUND, когда она используется, например, для описания метода, сравнения, развития идеи или мотивации. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 137,1 млн параметров и принимает текст длиной до 512 токенов. Она обучена на 27 052 размеченных контекстах цитирования из SciCite и MultiCite; в README указана оценка F1 0,81 на тестовой выборке при разделении данных 80/20. Подходит для анализа научной литературы и автоматической разметки функций цитат. Распространяется по лицензии Apache-2.0.

SciRM-7B — модель оценки научных текстов, разработанная авторами проекта SciRM на базе Qwen2.5-7B-Instruct. Это дообученная плотная языковая модель Qwen2 с 7,1 млрд параметров, представленная в формате safetensors; она принимает текстовые инструкции и научные материалы и генерирует текстовую оценку. Контекст модели — до 32 768 токенов. Модель обучена на первом этапе двухэтапного процесса обучения с подкреплением GRPO и предназначена для оценки научного письма по нескольким аспектам. При заданных критериях или явной системе оценивания она может оценивать разные научные задачи, в том числе разделы обзора литературы и рецензии на статьи, а также переносить оценивание на новые типы задач без отдельного дообучения. Для стабильного результата рекомендуется задавать ясные критерии и системную инструкцию. SciRM-7B обучена преимущественно на англоязычных научных текстах в области NLP и компьютерных наук, поэтому качество на других языках и в иных научных дисциплинах может снижаться. Результаты зависят от полноты критериев, и модель не должна быть единственным основанием для важных решений о публикации. Лицензия — Apache-2.0.

WueNLP публикует выделенный речевой энкодер из SeamlessM4Tv2-Large. Это плотная архитектура SeamlessM4TSpeechEncoder размером 664,9 млн параметров, доступная в формате safetensors и рассчитанная на использование с Transformers. Модель извлекает представления речи для классификации аудио на уровне последовательностей, в том числе для кросс-языковых и многоязычных задач; карточка также указывает поддержку text-to-speech. Энкодер можно загружать через AutoModel или обёртки для классификации аудио и последовательностей. Метаданные перечисляют языковые коды для многих языков, а длина контекста составляет 4096 токенов. Репозиторий ссылается на результаты SIB-Fleurs и указывает, что исходная модель создана командой SeamlessM4Tv2. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

NYTK разработала модель для определения тональности венгерских предложений и сообщений. Это дообученная для классификации последовательностей модель на базе huBERT, обученная на корпусе Hungarian Twitter Sentiment (HTS). Она присваивает тексту одну из пяти меток: очень негативная, негативная, нейтральная, позитивная или очень позитивная. Модель основана на архитектуре BERT, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов по метаданным; в README для настройки указано ограничение max_seq_length 128. Модель предназначена прежде всего для анализа венгерских текстов, в частности сообщений из соцсетей. В сравнении на HTS5 для huBERT приведён результат 68,99, но метрика не уточнена. Веса опубликованы в формате PyTorch по лицензии Apache 2.0. Классификация может хуже работать на текстах за пределами домена обучающих данных; README не приводит оценок на других жанрах и подробностей метрики.

diwank/silicone-deberta-pair — классификатор речевых актов в диалоге на базе DeBERTa-base. Модель разработана для определения функции текущей реплики с учётом предыдущей: на вход подаются два предложения — предыдущая реплика и текущая; для первой реплики предыдущий текст может быть пустым. Модель относит пару к одному из 11 классов, включая подтверждение, ответ, междометный отклик, вопрос, намерение и утверждение. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTaForSequenceClassification и рассчитана на контекст до 512 токенов. Она обучена на сбалансированном варианте объединённого набора данных речевых актов из коллекции SILICONE. Доступны веса PyTorch и TensorFlow; лицензия — MIT. Классификатор подходит для разметки реплик и анализа структуры диалога. Его предсказания ограничены 11 указанными метками и обучающим набором, поэтому он может не охватывать другие типы речевых актов или переноситься на отличающиеся домены диалогов без дополнительной проверки.

Sujet Finance 8B v0.1 — языковая модель Sujet AI для финансовых задач, дообученная методом LoRA на базе Llama 3 8B на наборе Sujet Finance Instruct-177k. Это плотная архитектура семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; модель принимает текст и генерирует текст на английском языке. Модель предназначена для ответов на финансовые вопросы в формате «да/нет», классификации финансовых текстов по темам и анализа тональности, включая категории bullish и bearish. В README указано, что для обучения использовали сбалансированную выборку из 17 036 примеров, а для оценки — 4 259 примеров; оценка сравнивала модель с базовой Llama 3 по критерию наличия правильного ответа в первых десяти сгенерированных словах. Модель распространяется по лицензии Apache-2.0. Для запуска автор рекомендует Unsloth; заявленный вариант точности для VLLM — float16. Оценка на описанной выборке не гарантирует точность на других финансовых данных, а охват финансовых тем и типов вопросов ограничен задачами, представленными при дообучении.