I.11Классификация, ранжирование и сопоставление

deka-qwen3-emb-0.6b-triplet-fact-anompos — плотная модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и сравнения предложений; обучалась по triplet-цели сопоставлять запросы с текстом фактической части дела. Использует pooling последнего токена с левым дополнением и L2-нормализацию. Размер — 507,6 млн параметров, контекст — до 32 768 токенов; в обучении применялись максимальные длины 256 токенов для запроса и 1300 для документа. Модель ориентирована на поиск по тайским судебным делам. На тесте полнотекстового корпуса Recall@10 составил 30,48% для запросов по фактической части, 21,43% для запросов юристов и 10% для пользовательских запросов. Для корректной работы к запросам нужно добавлять инструкционный префикс, использованный при обучении; документы должны подаваться без него. Выпущена под лицензией Apache-2.0.

FReE — модель на базе DistilBERT, разработанная Yseop и дообученная на специализированном финансовом наборе данных для извлечения и классификации отношений между финансовыми терминами в предложениях. Она определяет, присутствует ли связь, и относит её к одному из пяти типов: x (связи нет), has, is in, is или are. Модель подходит для анализа предложений с финансовыми определениями и выявления отношений между финансовыми показателями и понятиями, например при структурировании финансовых справочников. Это классификатор последовательностей DistilBERT с контекстом до 512 токенов. В README приведены метрики precision, recall и F1 для части классов на тестовой выборке. Модель распространяется в формате PyTorch. Сведения о лицензии в доступных данных отсутствуют.

e2-disaster-classifier — модель классификации текстов на основе DistilBERT, дообученная разработчиком hems-1-1 на датасете, который не описан в карточке. Она предназначена для присвоения текстам категорий, связанных с чрезвычайными ситуациями; конкретные классы и целевые сценарии в доступных материалах не раскрыты. Архитектура — DistilBertForSequenceClassification, веса представлены в формате safetensors; максимальная длина контекста составляет 512 токенов. В карточке указаны точность 0,7798 и значение функции потерь 0,4910 на оценочном наборе, но нет сведений о составе набора, метриках по классам и методике оценки. Базовая модель DistilBERT использует английскую версию uncased, поэтому применение к другим языкам не подтверждено. Лицензия — Apache-2.0.

RashidNLP разработал модель классификации финансовой тональности на базе DeBERTa. Автор сообщает, что исходную модель обучали на более чем миллионе отзывов Amazon, а затем дообучили на четырёх финансовых наборах данных с метками тональности: Financial PhraseBank, Kaggle Financial Sentiment, Twitter Financial News Sentiment и Auditor Sentiment. Модель предназначена для определения тональности финансовых фраз, новостей, публикаций и аудиторских комментариев. Это модель DeBERTa-v2 с 211,6 млн параметров, принимающая текст с контекстом до 512 токенов и выдающая метку класса. Поддерживаемый язык — английский. Модель распространяется по лицензии MIT.

Financial RoBERTa-Large Macro Sentiment — англоязычная модель классификации тональности, разработанная на основе soleimanian/financial-roberta-large-sentiment и предназначенная для финансовых, макроэкономических и климатических текстов. Это дообученная RoBERTa-Large с классификационной головой на три класса: отрицательная, нейтральная и положительная тональность. Модель содержит 454,1 млн параметров по метаданным и принимает последовательности длиной до 514 токенов по нативному контексту; при дообучении использовалось усечение до 128 токенов. Модель подходит для анализа сообщений центральных банков, денежно-кредитной политики, инфляции, финансовых новостей и текстов ESG. В README заявлены результаты 91,3% точности и 90,2% macro-F1 на тестовом наборе и 94,1% точности на финансовых текстах PhraseBank вне обучающей выборки. Она может применяться отдельно или как макроэкономический компонент ансамбля с тематической маршрутизацией. Ограничения: модель обучена для английского языка, обрабатывает каждый текст независимо и не учитывает временной или сущностный контекст. Длинные документы следует разбивать на фрагменты; по README, повышенные требования к памяти и задержка делают её менее подходящей для устройств с ограниченными ресурсами. Лицензия — Apache-2.0.

ariadnak/font-identifier — дообученная на наборе данных в формате ImageFolder модель ResNet-18 для классификации изображений по классам шрифтов. Она принимает изображение и выдаёт предсказанный класс, поэтому подходит для определения шрифта по его визуальному образцу. В карточке указаны точность 0,781 и функция потерь 0,8935 на оценочном наборе; подробности о классах, размере набора и методике оценки не приведены. Модель основана на microsoft/resnet-18, использует архитектуру ResNet для классификации изображений и распространяется в формате safetensors. Лицензия — Apache-2.0. Оценка на одном наборе не гарантирует таких же результатов на изображениях с другими шрифтами, качеством или условиями съёмки.

austinb/fraud_text_detection — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, указанном в карточке как None. Она предназначена для определения мошеннического текста. В карточке приведены результаты оценки: accuracy 0,9798 и loss 0,1112; дополнительных сведений о данных и методике оценки нет. Модель использует DistilBERT и поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и ONNX. Лицензия — Apache-2.0. Карточка не описывает конкретные метки классов, состав обучающих данных или ограничения применимости, поэтому указанные результаты не гарантируют такое же качество на других данных.

GalaxyLM-TestRepo-r33 — репозиторий с моделью, в README описанной как обновлённая версия разговорной модели GalaxyLM от разработчиков GalaxyLM. Карточка заявляет улучшения в рассуждениях, математике, программировании и логике, а также поддержку вызова функций; приведены результаты бенчмарков, включая 87,5% на AIME 2025. README рекомендует температуру 0,6 и содержит шаблоны для сценариев с файлами и веб-поиском. Метаданные Hugging Face классифицируют опубликованный артефакт как BERT-модель для извлечения признаков на Transformers и PyTorch, с файлами в формате PyTorch и лицензией MIT. Это расходится с описанием разговорной генеративной модели в README: архитектура указана как BertModel, а pipeline_tag — feature-extraction. Поэтому заявленные в README возможности рассуждения и чата нельзя уверенно связать с представленным артефактом.

Immerwinter/gelectra-large-privacy-policy-content-audience — модель классификации текста на базе немецкоязычной ELECTRA deepset/gelectra-large. Она предназначена для анализа содержания политик конфиденциальности, в частности для классификации по темам и аудитории в рамках указанного в README аналитического конвейера. Архитектура — ElectraForSequenceClassification; размер — 434,5 млн параметров, контекст — до 512 токенов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель дообучена для специализированной классификации текстов политик конфиденциальности. Метаданные указывают немецкий язык; README упоминает английскую версию, но не подтверждает, что модель обучена классифицировать английский текст. Лицензия — Apache-2.0. Карточка краткая и не описывает метрики качества или ограничения применимости.

Indonesian RoBERTa Base — языковая модель с маскированием токенов, разработанная участниками JAX/Flax Community Week Hugging Face. Это RoBERTa, обученная с нуля на индонезийской части корпуса OSCAR `unshuffled_deduplicated_id`; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст и предсказывает вероятные замены для замаскированных фрагментов, а также может использоваться для извлечения текстовых признаков. Модель предназначена прежде всего для работы с индонезийским языком. В README приведены результаты оценки после восьми эпох: loss 1,798 и accuracy 62,45%. Доступны веса в форматах Flax, PyTorch и safetensors. Лицензия — MIT, допускающая коммерческое использование с соблюдением её условий.

Kratt — модель классификации комментариев YouTube, созданная для инструмента медиаграмотности Kratt. Это дообученная XLM-RoBERTa base с архитектурой XLMRobertaForSequenceClassification и 305,3 млн параметров. Она присваивает комментарию один из классов: bot или authentic; результат предназначен для оценки вероятности активности ботов и последующей проверки человеком. Модель принимает комментарии только в специальном формате с тегом ниши видео и сведениями о вовлечённости, а также с текстом, подготовленным по правилам из карточки. Для токенизации требуется токенизатор из этого репозитория. Модель обучалась на англоязычных комментариях YouTube; контекстное окно — 514 токенов. Она подходит для анализа комментариев и агрегирования сигналов о бот-активности, но не предназначена для автоматического удаления или сокрытия публикаций. Обучающие метки получены слабой разметкой с помощью LLM и заданной матрицы соответствия, а не полной человеческой аннотацией. Поэтому оценки отражают согласие с этой схемой и требуют проверки на реальных примерах. Модель опубликована под лицензией MIT.

Lemone-Embed-S — модель эмбеддингов на базе Sentence Transformers, разработанная Louis Brulé Naudet для семантического поиска по французским налоговым и правовым материалам. Она дообучена на intfloat/multilingual-e5-small на примерах запросов, релевантных и нерелевантных фрагментов из французских налоговых кодексов и административных документов; обучающий набор включает 296 234 примера. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, кодирует текст в плотные векторы размерности 384 и поддерживает последовательности до 512 токенов. Векторы можно сравнивать по косинусному сходству для семантического поиска, ранжирования релевантных фрагментов, поиска похожих формулировок и построения RAG-систем в области налогообложения. README приводит результаты оценки поиска, но их переносимость на другие корпуса не гарантирована. Модель рассчитана прежде всего на французский язык и налоговую тематику; лицензия — Apache 2.0. Для текстов на других языках или вне налогового домена качество в карточке не подтверждено.

mediabiasgroup/magpie-babe-ft — мультиязычная модель для классификации медийной предвзятости на уровне предложений. Разработчики дообучили MAGPIE-PT-XLM сначала на смеси LBM из 59 задач анализа медийной предвзятости, а затем на наборе BABE. Модель построена на архитектуре RoBERTa и содержит 151,9 млн параметров; для обработки текста доступно контекстное окно до 514 токенов. Модель предназначена для автоматической проверки предложений из новостей и других медиатекстов на наличие предвзятости. Она принимает текст и выдаёт результат классификации. В карточке заявлена мультиязычность, а метаданные явно подтверждают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

Карточка модели mediabiasgroup/magpie-babe-ft-xlm на Hugging Face совпадает с карточкой mediabiasgroup/magpie-babe-ft, поэтому описание составлено по ней. mediabiasgroup/magpie-babe-ft — мультиязычная модель для классификации медийной предвзятости на уровне предложений. Разработчики дообучили MAGPIE-PT-XLM сначала на смеси LBM из 59 задач анализа медийной предвзятости, а затем на наборе BABE. Модель построена на архитектуре RoBERTa и содержит 151,9 млн параметров; для обработки текста доступно контекстное окно до 514 токенов. Модель предназначена для автоматической проверки предложений из новостей и других медиатекстов на наличие предвзятости. Она принимает текст и выдаёт результат классификации. В карточке заявлена мультиязычность, а метаданные явно подтверждают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

AiventraLab/maithili-roberta — модель языка майтхили на архитектуре RoBERTa-base с маскированным языковым моделированием. В README она названа первой RoBERTa, обученной специально для майтхили; метаданные указывают архитектуру RobertaForMaskedLM и около 151,6 млн параметров. Модель обучена с нуля на корпусе MaithiliCorpus, включающем 39,8 млн слов, а её токенизатор использует byte-level BPE со словарём из 50 000 токенов. Основная задача — предсказывать пропущенные токены в тексте майтхили. Модель также предназначена для дообучения на классификацию текста, распознавание сущностей и извлечение признаков для последующих задач NLP. Контекст составляет 514 токенов. Репозиторий распространяется по лицензии CC BY 4.0.

ManufactuBERT — англоязычная модель RoBERTa-base, разработанная Робином Арменго и Ромариком Безансоном из Université Paris-Saclay и CEA List. Модель непрерывно предварительно обучена на текстах о производстве и промышленной инженерии, чтобы лучше представлять специализированную отраслевую лексику и помогать адаптировать языковые системы к промышленным задачам. Базовое обучение использовало корпус Manu-FineWeb — отобранную часть FineWeb. Итоговая версия обучалась на очищенном наборе примерно из 2 млрд токенов после дедупликации; архитектура RoBERTa-base содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Основной режим применения — восстановление скрытых слов; модель также показала результаты на распознавании сущностей, классификации предложений и извлечении отношений в промышленных и материаловедческих наборах данных. Лицензия — MIT.

Модель khadija69/mdebertaV3_BIES_stem_1K_4 — дообученная версия khadija69/mdebertaV3_BIES_stem_1K_3 на архитектуре DeBERTa V2. Она предназначена для классификации токенов, например для разметки последовательностей текста. Модель содержит 306 млн параметров, принимает текст с контекстом до 512 токенов и опубликована в формате TensorFlow. В README приведены результаты обучения за 5 эпох: точность на обучающей выборке 0,6271 и на валидационной выборке 0,5913. Датасет и конкретные типы меток не описаны, поэтому применимость к определённой задаче разметки оценить нельзя. Лицензия — MIT.

CMB-ClimateModernBERT/Merge_TIES_D07_LRD — англоязычная модель семейства ModernBERT, разработанная проектом ClimateModernBERT для исследований в области обработки климатических текстов. Это encoder-only модель типа BERT с 149 млн параметров и контекстом до 8192 токенов; она обучена продолжением предобучения ModernBERT-Base на академических, синтетических и отфильтрованных климатических веб-текстах, а затем объединена методом TIES. Модель предназначена для представления климатических текстов и дообучения под классификацию, многометочную разметку и поиск по корпоративной отчётности, политическим документам, научной литературе и новостям. В карточке сообщается о среднем F1 75,6 на девяти климатических NLP-бенчмарках. Модель поддерживает задачу заполнения пропусков в маскированном тексте, но не является диалоговой системой и не выдаёт калиброванных гарантий фактической точности. Оценка длинного контекста в описанных экспериментах ограничена; синтетические данные помогают одним типам задач и ухудшают другие, требующие тонкого понимания дискурса. Использование рассчитано на исследования в климатическом NLP; лицензия в предоставленных данных не указана.

Модель cirimus/modernbert-large-bias-type-classifier разработана на основе ModernBERT-large и дообучена для многометочной классификации предвзятости в англоязычных текстах. Она относит высказывания и вопросы к 11 категориям, включая расовую, религиозную, гендерную, возрастную, национальную, политическую и другие виды предвзятости. Модель построена на архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов; для работы используется Transformers. Её можно применять для анализа предвзятости в контенте, поддержки модерации и исследований, связанных с этикой ИИ. В README приведены результаты оценки на тестовом разбиении синтетического набора данных, созданного Mistral 7B для работы GUS-Net, однако эти показатели не гарантируют качество на реальных данных. Возможны ошибки при пересечении категорий и переносе на другие предметные области; автор указывает, что модель заменена cirimus/ultrabert-380M-bias-type-classifier. Лицензия — MIT.

MoganBERT-TR — базовый турецкий текстовый энкодер от MoganAI, обученный с нуля на 237,3 млрд токенов. Модель использует архитектуру ModernBERT: 22 слоя, размер скрытого представления 768, 12 голов внимания и чередование локального и глобального внимания. Она содержит около 149 млн параметров и рассчитана на контекст до 8192 токенов; токенизатор SentencePiece Unigram обучен для турецкого языка. Модель предназначена прежде всего для заполнения пропусков в тексте и служит базой для дообучения на задачах классификации и других задачах понимания текста. При предобучении использовался двухэтапный режим CLM→MLM. В обучающем корпусе около 73% турецкого текста, 17% английского и 10% кода, однако модель ориентирована на турецкий язык. Для эмбеддингов и поиска авторы рекомендуют производные MoganBERT-Embed или Mogan-ColBERT-TR: исходный энкодер анизотропен и напрямую не подходит для косинусного сравнения. Лицензия — Apache-2.0.

JohanHeinsen/Old_News_Segmentation_SBERT_V0.1 — дообученная модель Sentence Transformers на базе CALDISS-AAU/DA-BERT_Old_News_V1, разработанная для начальной версии сегментации ENO. Модель кодирует предложения в эмбеддинги размерности 768 и оценивает их сходство по косинусной мере; обучена на 20 502 парах газетных фрагментов с оценками сходства. Основной сценарий — поиск смысловых связей между предложениями из датских газет XVIII — начала XIX века для поддержки сегментации ENO. Модель также подходит для эмбеддингов и сравнения текстов на историческом датском языке; она обучена на газетных материалах разных жанров и тем. Архитектура — BERT, библиотека sentence-transformers, максимальная длина последовательности — 512 токенов. Это начальная версия, поэтому качество сегментации может требовать дополнительной проверки. Обучающие примеры происходят из газет, что ограничивает переносимость на другие периоды, жанры и языки. Лицензия в предоставленных данных не указана.

Ovis1.6-Gemma2-9B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP-400M с Gemma2-9B-It и использует архитектуру Ovis для согласования визуальных и текстовых представлений. Модель содержит около 10 млрд параметров и работает с изображениями и текстом; карточка указывает поддержку английского языка. Модель предназначена для диалога по изображениям и других задач, где нужно интерпретировать визуальный материал и отвечать текстом. По сравнению с Ovis1.5 в версии 1.6 улучшена обработка изображений высокого разрешения, использованы более крупные и разнообразные данные обучения, а после обучения на инструкциях проведено DPO-обучение. В README заявлено лидерство среди открытых мультимодальных моделей до 30 млрд параметров на бенчмарке OpenCompass. Модель распространяется в формате safetensors для библиотеки Transformers под лицензией Apache-2.0. Авторы рекомендуют использовать более новую версию Ovis2.5. README также предупреждает, что проверки при обучении не гарантируют полного отсутствия проблемного контента или нарушений авторских прав.

PhoBERT-base-v2 — монолингвальная языковая модель для вьетнамского языка, разработанная Dat Quoc Nguyen и Anh Tuan Nguyen. Это энкодер на архитектуре RoBERTa с примерно 162,4 млн параметров; он предобучен на маскированном языковом моделировании на вьетнамской Википедии, новостных текстах и корпусе OSCAR-2301. Максимальная длина контекста — 258 токенов. Модель предназначена для заполнения пропусков в тексте и служит основой для адаптации к задачам обработки вьетнамского языка, включая разметку частей речи, синтаксический анализ зависимостей, распознавание именованных сущностей и вывод на естественном языке. Для подачи необработанного вьетнамского текста README рекомендует предварительную сегментацию слов с помощью RDRSegmenter из VnCoreNLP, а также нормализацию тонов и сегментацию предложений. Модель выпущена по лицензии AGPL-3.0.

Polaris-VGA-9B-Post1.0e-i1-GGUF — квантизированная версия мультимодальной vision-language модели Polaris-VGA-9B-Post1.0e, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на работу с изображениями и текстом и предназначена для задач обнаружения объектов, локализации и visual grounding — сопоставления текстовых запросов с областями изображения. В README также указана совместимость с экосистемами Transformers, vLLM, llama.cpp и OpenCV. Модель имеет заявленный размер 9B параметров и поддерживает английский язык. Точная архитектура, максимальная длина контекста и перечень поддерживаемых визуальных форматов в предоставленных данных не указаны. Репозиторий содержит набор квантизаций с разными компромиссами между размером, скоростью и качеством; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, тогда как наиболее компактные варианты могут заметно снижать качество. Для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильной стороной модели является сочетание визуального анализа и текстового взаимодействия при возможности локального запуска через GGUF-совместимые инструменты. Ограничения включают зависимость качества от выбранного уровня квантизации, отсутствие в README количественных результатов тестирования и недостаток сведений о точных требованиях к оборудованию и контекстном окне. Модель распространяется по лицензии Apache-2.0.

PoliticalBiasBERT — англоязычная модель классификации текста на базе BERT, дообученная bucketresearch на примерах политически предвзятых текстов. Она предназначена для анализа текста и выявления политической предвзятости; архитектура — BertForSequenceClassification, размер — 135,5 млн параметров, контекст — до 512 токенов. Модель использует Transformers и доступна в форматах PyTorch и Safetensors. Модель подойдёт для предварительной разметки текстов и исследовательского анализа политической предвзятости. Она обучена на примерах предвзятых текстов, однако README не описывает классы, датасеты и качество на независимых данных, поэтому результаты следует проверять для конкретного применения. Лицензия — MIT.

Это модель классификации предложений о французской политике, разработанная mazancourt и обученная с помощью AutoNLP. Она относит отдельное предложение к одному из трёх классов: проблема, решение или прочее. Модель основана на CamemBERT, содержит 137,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для анализа политических речей и публикаций, например для поиска формулировок проблем и предлагаемых решений. Валидационная точность составляет около 81%, а macro F1 — около 0,77. Обучающие примеры извлечены из французских политических твитов и выступлений, поэтому качество на других жанрах, темах и языках может быть ниже. Лицензия в предоставленных сведениях не указана.

Qwen3-VL-8B-Instruct-abliterated-v1 — дообученная мультимодальная модель prithivMLmods на основе Qwen/Qwen3-VL-8B-Instruct, предназначенная для анализа изображений и генерации описаний с подробными рассуждениями. Модель принимает изображения и текстовые инструкции, а отвечает текстом; в карточке заявлена работа с изображениями разных размеров и пропорций. В метаданных указаны архитектурное семейство Qwen3-VL, 8 млрд параметров у базовой модели, библиотека Transformers и формат safetensors. Модель подходит для подробного описания обычных, художественных, технических, абстрактных и чувствительных изображений, визуального рассуждения, творческой интерпретации и исследований модерации контента. Основной язык ответов — английский; автор также заявляет возможность получать ответы на других языках с помощью формулировки запроса. Модель может выдавать откровенный, чувствительный или оскорбительный контент, а качество ответов зависит от изображения и запроса; автор не рекомендует её для сред, где требуется строгая фильтрация. Лицензия — Apache-2.0.

SecureBERT-NER — модель распознавания именованных сущностей в текстах по кибербезопасности, разработанная CyberPeace Institute. Это дообученная версия SecureBERT на наборе данных APTNER, предназначенная для выделения и классификации сущностей в текстах этой области. Модель построена на архитектуре RoBERTa для классификации токенов, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Поддерживаемый язык — английский. Модель подходит для извлечения сущностей из материалов об угрозах и киберинцидентах, а также для подготовки структурированных данных для последующего анализа. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Skywork-VL-Reward-7B — мультимодальная модель вознаграждения, разработанная Skywork на основе Qwen2.5-VL-7B-Instruct с добавленной value head. Она оценивает ответы на запросы, содержащие текст и визуальные данные, и предназначена для обучения и оценки систем мультимодального понимания и рассуждения, включая применение в мультимодальном обучении с подкреплением. В README указаны результаты 73,1 на VL-RewardBench и 90,1 на RewardBench. Модель построена на архитектуре Qwen2.5-VL с 7 млрд параметров в базовой модели; репозиторий использует Transformers и формат safetensors. Лицензия — MIT. Модель выдаёт оценки вознаграждения, а не предназначенные для пользователя развёрнутые ответы; сведений о поддерживаемых языках и ограничениях оценки в карточке нет.

HuggingFaceTB разработала stack-edu-classifier-c — классификатор качества и образовательной ценности файлов на языке C. Модель дообучена на bigcode/starencoder с классификационной головой; обучающие примеры из The Stack v2 были размечены моделью Llama 3.1 70B Instruct. Классификатор использовали при создании набора данных Stack-Edu для обучения SmolLM2. Модель принимает текст исходного кода и относит файл к категории по его образовательной ценности. Она основана на BERT-подобной архитектуре, содержит 151 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для кода на C; её вывод — классификационная оценка, а не объяснение или исправление кода. Качество оценки может снижаться на данных, отличающихся от обучающих, и на длинных файлах, не помещающихся в контекст. Оценка отдельного файла не учитывает проектный контекст, а разметка может наследовать смещения исходных данных и LLM-аннотаций, в том числе склонность переоценивать подробно прокомментированный код. Лицензия в предоставленных данных не указана.