I.11Классификация, ранжирование и сопоставление

zen-pro-i1-GGUF — это набор квантизированных файлов в формате GGUF для базовой текстовой модели zenlm/zen-pro. Модель разработана zenlm, а квантизация выполнена mradermacher с использованием weighted/imatrix-подхода. В метаданных указаны библиотека Transformers, назначение text-generation и специализация на reasoning-задачах. Модель предназначена для генерации текста и сценариев, требующих рассуждений. Указан английский язык. Репозиторий содержит варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для большинства применений рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества; варианты с низкой битностью могут заметно уступать по качеству. В README не указаны архитектура, точное число параметров, максимальная длина контекста, поддерживаемые модальности или результаты бенчмарков. Файлы рассчитаны на использование с инструментами, поддерживающими формат GGUF; конкретные требования к оборудованию зависят от выбранного варианта квантизации. Лицензия модели — Apache-2.0.

AceGPT-v2-32B — текстовая генеративная модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Версия 32B построена на Qwen1.5-32B и полностью дообучена с особым вниманием к арабскому языку. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 31,7 млрд параметров и контекстом 32 768 токенов. Модель принимает и генерирует текст; её можно использовать для диалога, ответов на вопросы, продолжения текста и задач на знания, особенно на арабском языке. Карточка сообщает об оценке на арабских, английских и китайских бенчмарках, но эта версия обозначена как базовая, а не AceGPT-chat. Модель распространяется в формате safetensors по лицензии Apache-2.0.

beaunix/Aegis-Art-Atelier-Qwen2.5-VL-7B — дообученная beaunix мультимодальная модель на архитектуре Qwen2.5-VL, созданная на базе unsloth/qwen2.5-vl-7b-instruct. Она принимает изображения и текст и генерирует текстовые ответы, поэтому подходит для диалога и задач визуального анализа. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; сведений о специализации дообучения и сравнительных оценках качества нет.

Airoboros 13B HF — русскоязычное описание модели не подразумевает её русскоязычную специализацию: это 13-миллиардная плотная языковая модель семейства LLaMA, дообученная Джоном Дурбином на синтетических инструкциях. Репозиторий TheBloke содержит веса в формате Transformers PyTorch fp16, конвертированные из исходного репозитория fp32 для более удобного хранения и использования. Контекст модели составляет 2048 токенов. Модель предназначена для диалоговых ответов и выполнения текстовых инструкций в формате FastChat/Vicuna. Дополнительный этап обучения включал синтетические примеры по математике, ответам на закрытые вопросы и программированию; автор отмечает, что качество этих задач изначально было слабым. В обучающих данных есть примеры опасных инструкций, поэтому модель может выдавать потенциально вредный контент и не подходит для сценариев, требующих надёжного отказа от таких запросов. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке репозитория и у правообладателей базовой модели. Это конверсия весов fp32 в fp16, а не отдельное дообучение TheBloke; исходная Airoboros сама является дообученной моделью LLaMA.

Aitana-2B-S-base-1.0-i1-GGUF — это GGUF-квантизированная версия базовой языковой модели Aitana-2B-S-base, разработанной GPLSI и опубликованной mradermacher. Квантизация выполнена mradermacher с использованием weighted/imatrix-подхода; доступны варианты с разными типами квантизации и размером примерно от 1,0 до 2,0 ГБ. Модель предназначена для генерации и обработки текста, включая сценарии на валенсийском и каталанском языках, а также испанском и английском. В обучении использовались наборы данных alia_dogv, alia_les_corts, alia_amic, alia_boua и alia_tourism. README не содержит сведений об архитектуре, размере контекста, точной структуре модели или поддержке других модальностей, поэтому её следует рассматривать как текстовую языковую модель без подтверждённой мультимодальности. Основное преимущество представленной версии — возможность запуска в компактном формате GGUF и выбора компромисса между качеством, скоростью и потреблением памяти. Рекомендуемыми вариантами названы i1-Q4_K_M и i1-Q4_K_S; низкобитные варианты могут заметно уступать в качестве, тогда как более крупные варианты требуют больше памяти. Модель распространяется по лицензии Apache-2.0.

Aura Revived Base — языковая модель для генерации текста, созданная автором jeiku слиянием моделей Undi95/Llama3-Unholy-8B-OAS и failspy/Llama-3-8B-Instruct-MopeyMule. Для объединения использован метод SLERP через mergekit; архитектура — плотная LlamaForCausalLM семейства Llama 3, размер — 7,5 млрд параметров. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Метаданные базовой модели указывают на ориентированность семейства на английский язык. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии и специальные ограничения применения в предоставленных материалах отсутствуют.

AX-DeepSeek-V4-Flash-MLX-AXQ-6bit-MTP — это экспериментальный смешанно-точный MLX-чекпойнт, созданный AutomatosX на основе DeepSeek-V4-Flash от deepseek-ai. Модель предназначена для генерации текста и запуска на компьютерах Apple Silicon через MLX-LM. Веса представлены в формате MLX Safetensors; варианты PyTorch и GGUF в репозитории отсутствуют. В основе лежит архитектура DeepseekV4ForCausalLM с mixture of experts и 284,33 млрд логических параметров. Основной языковой тракт квантизован с использованием AXQuant 1.5.1: применяются 4-, 6- и 8-битные представления, а защищённые компоненты сохраняются в BF16. Измеренный общий показатель составляет 5,7374 BPW, размер весов — около 208,66 ГБ, а полный объём загрузки — около 208,74 ГБ. Заявленный максимальный контекст — 1 048 576 токенов, однако практический предел зависит от объёма unified memory устройства. Модель поддерживает только текстовую модальность: зрительный и аудиомодули отсутствуют. MTP-компонент присутствует и сохранён преимущественно в BF16, но его ускорение, совместимость с AX Engine и прирост скорости не подтверждены. Ключевое преимущество — существенное снижение объёма хранения по сравнению с полноточной версией при сохранении отдельных чувствительных тензоров в более высокой точности. Ограничения включают отсутствие опубликованных измерений качества, длинного контекста и производительности, а также отсутствие валидированного нативного манифеста AX Engine. Пакет распространяется по лицензии Apache-2.0.

burningfeet/backup-2026-09-08-Qwen3.8-27B-Unleashed-SSMFIX-GGUF — мультимодальная модель семейства Qwen3.8 с 27 млрд параметров, распространяемая в формате GGUF. Исходную модель Qwen3.8-27B-Unleashed-GGUF разработал outsourc-e, а автор этой версии внёс исправления в масштабирование отдельных тензоров ssm_conv1d.weight. Модель предназначена для генерации текста по текстовым и визуальным входным данным, включая сценарии image-text-to-text, а также может использовать speculative decoding и связанные с ним механизмы, согласно заявленным тегам. Заявлены поддержка изображений и работа с английским, китайским и другими языками. Ключевая особенность версии — коррекция шести слишком «громких» слоёв ssm_conv1d.weight; остальные веса оставлены без изменений. В README не указаны точный размер контекста, перечень поддерживаемых форматов изображений, требования к памяти, производительность и совместимые средства запуска, поэтому эти характеристики нельзя оценить по имеющимся данным. Ограничением также является то, что NVFP4-кодирование не поддерживается используемыми инструментами GGUF, из-за чего исправление было выполнено только для части тензоров. Модель распространяется по лицензии Apache-2.0. Тег uncensored указывает на заявленную настройку без цензурирования, однако подробные сведения о поведении модели, качестве и ограничениях безопасности в README отсутствуют.

Behemoth-123B-v1.2-GGUF — набор GGUF-квантизаций текстовой генеративной модели Behemoth-123B-v1.2, разработанной TheDrummer и квантованной пользователем bartowski. Модель предназначена для генерации текста и локального инференса через llama.cpp, в том числе в LM Studio. Для работы рекомендуется использовать шаблон prompt: <s> [INST] {prompt}[/INST]. Модель имеет 123 млрд параметров; в README не указаны точная архитектура, поддерживаемые языки, размер контекста и дополнительные модальности, поэтому она описывается только как текстовая. Доступны варианты квантования от Q8_0 до IQ2_XXS размером примерно от 130,28 до 32,43 ГБ. Более высокие разрядности обеспечивают лучшее качество, но требуют больше памяти; низкоразрядные варианты экономичнее, однако могут заметно уступать в качестве. Для большинства сценариев автор рекомендует Q4_K_M, а также Q5_K_M, Q5_K_S и Q6_K. Отдельные варианты оптимизированы для ARM или AVX, некоторые не предназначены для Mac или GPU. Ключевые ограничения — значительные требования к памяти даже у компактных квантов и неизбежная потеря качества при сильном сжатии. Используется формат GGUF и инструменты llama.cpp версии b4222; часть файлов разбита на несколько частей. В метаданных указана лицензия other, без дополнительных условий лицензирования в README.

CAMeLBERT-Mix NER — арабоязычная модель распознавания именованных сущностей от CAMeL Lab, полученная дообучением CAMeLBERT Mix на наборе данных ANERcorp. Она размечает токены в тексте тегами сущностей; использовать её можно через компонент NER библиотеки CAMeL Tools или через Transformers pipeline для классификации токенов. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она принимает арабский текст, поддерживает контекст до 512 токенов и выдаёт метки токенов. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache 2.0.

savasy/bert-base-turkish-ner-cased — модель на основе BERT, дообученная для распознавания именованных сущностей в турецком тексте. Автор описывает её как простую в использовании NER-модель на базе transfer learning; в README также приведены результаты оценки на двух наборах данных: F1 около 0,925 и 0,953 соответственно. Архитектура — BertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и возвращает метки для токенов. Она предназначена для извлечения сущностей из турецких текстов. В README указана базовая модель dbmdz/bert-base-turkish-cased. Репозиторий содержит веса в форматах PyTorch, Safetensors и Flax. Лицензия в предоставленных данных не указана.

mulinski/bert-finetuned-chunk — модель семейства BERT, дообученная на bert-base-cased на наборе CoNLL-2003 для классификации токенов. Она предназначена для разметки последовательностей текста, в частности для распознавания именованных сущностей. В оценке на тестовой выборке указаны F1 0,9214, точность 0,9222, полнота 0,9207 и accuracy 0,9618. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. README не описывает ограничения и сценарии применения подробнее.

Модель nickprock/bert-italian-finetuned-ner — дообученная для распознавания именованных сущностей версия регистрозависимого BERT для итальянского языка, разработанная на основе dbmdz/bert-base-italian-cased. Она размечает токены в итальянском тексте и предназначена прежде всего для NER — извлечения упоминаний сущностей из предложений и документов. Модель содержит 137,1 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с контекстом до 512 токенов. Для обучения использован датасет WikiANN. В карточке приведены результаты оценки: F1 0,949, точность 0,9438 и полнота 0,9542; показатели относятся к указанному evaluation set и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

CharacterGLM-6B — диалоговая модель семейства ChatGLM от thu-coai, предназначенная для генерации текста в формате общения. В репозитории указано 7,5 млрд параметров; модель использует плотную архитектуру ChatGLM и поддерживает контекст до 32 768 токенов. Модель подходит для ведения диалогов и генерации ответов. Метаданные также отмечают возможность классификации текста, однако карточка не содержит подробностей об этой функции. В репозитории представлены веса PyTorch; сведения о лицензии и целевых языках в доступных данных отсутствуют.

ColorShadow-7B-v3 — разговорная языковая модель на архитектуре Mistral, созданная nlpguy слиянием Gradient-SLERP моделей ColorShadow-7B и Terminis-7B с помощью mergekit. Она предназначена для генерации текста в диалогах и других сценариях, где требуется продолжать текстовый запрос. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке приведены результаты бенчмарков AI2 Reasoning Challenge и HellaSwag, однако они не гарантируют качество на прикладных задачах. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Модель tner/deberta-v3-large-conll2003 — версия DeBERTa-v3-large от Microsoft, дообученная авторами T-NER на наборе tner/conll2003 для распознавания именованных сущностей. Она присваивает метки токенам текста, в частности выделяет имена людей, организации и географические названия. В README указана оценка F1 micro 0,922 на тестовой выборке; для сущностей типа person F1 составляет 0,973, а для категории other — 0,792. Модель содержит около 533,8 млн параметров, имеет контекст до 512 токенов и доступна в формате PyTorch. Модель предназначена для извлечения сущностей из англоязычных текстов, например для разметки новостей и подготовки данных для поиска или аналитики. Для использования README рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Лицензия в предоставленных данных не указана.

Deita-2b — чат-модель для генерации текста на базе архитектуры Llama, представленная KnutJaegersberg. Она предназначена для диалога с пользователем и выполнения инструкций, например ответов на вопросы и помощи с практическими задачами. В README приведён пример запроса о дообучении языковой модели и формат общения с системным и пользовательским сообщениями. Модель содержит 2,7 млрд параметров, принимает текст и выдаёт текст; нативный контекст — 2048 токенов. В репозитории указаны веса в формате safetensors. Карточка приводит результаты оценки на Open LLM Leaderboard, включая среднее значение 52,35, но не описывает методику обучения или языковой охват. Для модели указана лицензия other, поэтому условия использования следует сверить с лицензией по ссылке в карточке.

dolphin-2.1-mistral-7b-snr-math-laser — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная на основе Mistral AI и обученная командой Dolphin. В карточке описан метод частичной заморозки слоёв по анализу laserRMT, призванный уменьшать забывание ранее усвоенных знаний при обучении новым навыкам. Модель принимает текстовые запросы в формате ChatML и предназначена для диалогов с ассистентом, включая помощь с задачами и вызов функций. Контекст — до 32 768 токенов; в качестве обучающих данных указаны Dolphin и Airoboros 2.2.1, а в метаданных основным языком карточки отмечен английский. Авторы характеризуют модель как uncensored и более склонную выполнять запросы, поэтому для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Это повышает риск выдачи небезопасного или нежелательного контента. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое и некоммерческое использование.

droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Dualmind-Qwen-1.7B-Thinking — компактная диалоговая языковая модель, разработанная Convergent Intelligence LLC и дообученная методом SFT на базе DualMinded-Qwen3-1.7B. Модель Qwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста с развернутыми рассуждениями, самокоррекцией и последующим синтезом ответа. В обучении использованы отфильтрованные цепочки рассуждений Claude Opus 4.6 и набор LongWriter-6k; заявленная длина контекста составляет 40 960 токенов. Модель рассчитана на диалоговые сценарии, где полезны многошаговое обдумывание, пересмотр промежуточных выводов и подробные ответы. Карточка предлагает генерировать ответы длиной до 1024–2048 токенов и отмечает склонность модели к многофазным рассуждениям. Она не заявлена как специализированная модель для отдельной предметной области; поддержка в метаданных указана для английского языка. Лицензия — Apache-2.0.

Dumpling-Qwen2.5-1.5B — диалоговая языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, созданная nbeerbower дообучением nbeerbower/EVA-abliterated-TIES-Qwen2.5-1.5B. Модель предназначена для генерации текста и диалоговых ответов; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет до 131 072 токенов. Модель дообучена методом QLoRA ORPO в течение двух эпох на наборах DPO, охватывающих диалоги, рассуждения, художественные тексты и другие предпочтения ответов. Доступна в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не сообщает результаты оценивания качества и не описывает отдельно поддерживаемые естественные языки.

EvanD/dutch-ner-xlm-conll2003 — переупакованная в формат PyTorch Hugging Face модель распознавания именованных сущностей на нидерландском языке. Автор сообщает, что это преобразованная копия flair/ner-dutch-large; архитектура XLM-RoBERTa с головой классификации токенов, около 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для разметки нидерландского текста именованными сущностями. Её можно применять для извлечения сущностей из документов, новостей и других текстовых материалов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Модель dbsamu/electra-small-discriminator-finetuned-ner — компактная модель Google ELECTRA Small, дообученная для распознавания именованных сущностей на датасете WikiAnn. Она присваивает метки токенам текста и предназначена для извлечения сущностей в задачах обработки естественного языка. Модель содержит 20,4 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. На оценочном наборе WikiAnn модель показала F1 0,7435, точность 0,7331, полноту 0,7543 и accuracy 0,8883. Доступна в формате PyTorch по лицензии Apache-2.0. Карточка не уточняет набор типов сущностей и поддерживаемые языки, поэтому качество для конкретного языка и сценария следует проверять отдельно.

ELYZA-japanese-Llama-2-fast-MoE-2x7B-v0.1 — японская языковая модель, созданная Aratako объединением через mergekit моделей elyza/ELYZA-japanese-Llama-2-7b-fast и elyza/ELYZA-japanese-Llama-2-7b-fast-instruct. Архитектура — Mixtral MoE для причинной генерации текста; в репозитории указано 6,7 млрд параметров, формат весов safetensors и контекст до 4096 токенов. Модель предназначена для генерации текста и ответов на запросы по-японски. В приведённом одношаговом japanese-mt-bench она получила средний балл 5,1625 против 4,8750 у instruct-базовой модели; результаты различаются по категориям, поэтому оценка не гарантирует превосходства на других задачах. Поддерживается японский язык. Лицензия — Llama 2 Community License, унаследованная от исходных моделей.

em_german_leo_mistral-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и jphme/em_german_leo_mistral методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы на немецком языке. Модель подходит для немецкоязычных чат-ботов, ответов на вопросы и других сценариев генерации текста. Заявленный размер контекстного окна — 32 768 токенов. Модель распространяется под лицензией Apache-2.0.

Модель flair/entity-english-4class — модель распознавания именованных сущностей для английского языка, опубликованная для библиотеки Flair. Она размечает токены в тексте четырьмя классами сущностей; в карточке перечислены PER (имена людей), LOC (места) и ORG (организации), а четвёртый класс не описан. В README указан F1-score 95,6. Модель подходит для извлечения имён людей, мест и организаций из англоязычных текстов и структурирования упоминаний сущностей. Файлы представлены в формате PyTorch, задача Hugging Face — token-classification. Модель распространяется по лицензии Flukes NC 1.0: коммерческое использование требует отдельной лицензии.

Модель autoevaluate/entity-extraction — версия distilbert-base-uncased, дообученная для классификации токенов на наборе данных CoNLL-2003. Она предназначена для извлечения именованных сущностей из текста, например распознавания имён людей, организаций и географических названий. Модель построена на архитектуре DistilBERT, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README приведены результаты оценки на тестовой выборке: F1 0,8972, точность 0,9775, полнота 0,9085. Карточка не описывает ограничения и не уточняет применимость за пределами CoNLL-2003; качество на других жанрах и языках может отличаться. Базовая модель uncased и обучающие данные указывают на английский язык. Лицензия — Apache-2.0.

Locutusque/Esmeralda-Gemma4-26B-A4B — дообученная Locutusque модель семейства Gemma 4 на базе unsloth/gemma-4-26b-a4b-it. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретную специализацию или результаты оценки качества, поэтому модель можно характеризовать как универсальную мультимодальную диалоговую модель; отдельные преимущества и ограничения сверх доступных сведений определить нельзя.

Kansallisarkisto/finbert-ner — модель распознавания именованных сущностей в финском тексте, разработанная Национальным архивом Финляндии. Это дообученная для классификации токенов модель BERT на базе TurkuNLP/bert-base-finnish-cased-v1; она содержит 151,7 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch через Transformers. Модель выделяет десять типов сущностей: имена людей, организации, места, геополитические объекты, продукты, события, даты, финские регистрационные номера дел и компаний, а также национальные, религиозные и политические группы. Она подходит для разметки финских архивных и административных документов, газетных текстов и других материалов для поиска и анализа. В тестировании F1 составил 0,90 для PERSON, 0,86 для ORG и 0,97 для FIBC; результаты для событий ниже — 0,71. Лицензия MIT. Распознавание EVENT и LOC может быть менее точным из-за меньшего числа таких примеров в обучении. Поскольку большая часть данных относится к относительно недавнему периоду, модель может хуже работать со старыми именами и стилями письма. Часть обучающих архивных данных не опубликована из-за наличия чувствительной информации.